python 爬取企业注册信息_Python爬虫框架Scrapy爬取企业信息

首先得安装scrapy 和 pymongo

简单的安装和创建爬虫项目我们就简单的过一下

pip install scrapy

pip install pymongo

scrapy startproject sellsystem

在spiders目录下创建我们的爬虫文件

import copy

import scrapy

from ..items import SellItem

# 先下一页

class indexSpider(scrapy.Spider):

name = 'sell_finally'

all_province = []

start_urls = [

'http://b2b.huangye88.com/region/'

]

page = 1

def parse(self, response): # 入口程序

urls = response.xpath('//dl[@id="clist"]/dd/a/@href').extract()

for itm in urls:

print(itm)

print('111111111111')

yield scrapy.Request(itm, callback=self.parse_qu) # url

def parse_qu(self, response): # http://b2b.huangye88.com/anyang/

uurls = response.xpath('//*[@id="subarealist"]/div[2]/a/@href').extract()

for url in uurls:

print(url)

print('22222222222222')

yield scrapy.Request(url, callback=self.parse_instury_list) # url

def parse_instury_list(self, response): # 各种不同的行业

item = SellItem()

urls = response.xpath('//div[@class="tag_tx"]/ul/li/a/@href').extract()

privince = response.xpath('//div[@class="subNav"]/a[2]/text()').extract()[0][:-4] # 省

city = response.xpath('//div[@class="subNav"]/a[3]/text()').extract()[0][:-4] # 市

district = response.xpath('/html/body/div[3]/div[1]/text()').extract()[2] # 区

item['privince'] = privince # 省

item['city'] = city # 市

item['district'] = district[district.find('市') + 1:-6] # 区

for itm in urls:

print('33333333333333')

print(item)

yield scrapy.Request(itm, callback=self.parse_instury, meta={'item': copy.deepcopy(item)},dont_filter=T

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Scrapy是一个基于Python爬虫框架,它可以帮助我们快速高效地抓取网站数据。在这里,我将介绍Scrapy的基本用法,让您能够快速入门。 安装Scrapy ----------------------- 在安装Scrapy之前,我们需要先安装Python。然后,我们可以通过以下命令来安装Scrapy: ``` pip install scrapy ``` 创建Scrapy项目 ----------------------- 创建Scrapy项目的命令是: ``` scrapy startproject project_name ``` 这个命令将会在当前目录下创建一个名为project_name的文件夹,其中包含了Scrapy项目的基本结构。 编写Spider ----------------------- 在Scrapy中,Spider是用来定义爬取网站的规则的。我们可以通过以下命令来创建一个Spider: ``` scrapy genspider spider_name domain_name ``` 其中,spider_name是我们自己定义的Spider名称,domain_name是我们要抓取的网站域名。 接下来,我们需要在Spider中定义如何爬取网站。这里我们以爬取“http://quotes.toscrape.com/”网站上的名言警句为例。我们可以在Spider中定义如下规则: ```python import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" start_urls = [ 'http://quotes.toscrape.com/page/1/', 'http://quotes.toscrape.com/page/2/', ] def parse(self, response): for quote in response.css('div.quote'): yield { 'text': quote.css('span.text::text').get(), 'author': quote.css('span small::text').get(), 'tags': quote.css('div.tags a.tag::text').getall(), } next_page = response.css('li.next a::attr(href)').get() if next_page is not None: yield response.follow(next_page, self.parse) ``` 在上述代码中,我们首先定义了Spider的名称,接着定义了我们要爬取的起始URL,最后定义了如何解析网页的函数parse()。在parse()函数中,我们使用了Scrapy的选择器来提取网页中的名言警句,并将其保存到字典中。接着,我们使用response.follow()函数来获取下一页的URL,并继续解析。 运行Spider ----------------------- 要运行我们刚才创建的Spider,我们可以使用以下命令: ``` scrapy crawl spider_name ``` 其中,spider_name是我们之前创建的Spider名称。 Scrapy会自动去抓取我们定义的起始URL,并根据我们定义的规则来解析网页。解析完成后,Scrapy会将结果保存到我们指定的位置。 总结 ----------------------- Scrapy是一个非常强大的Python爬虫框架,它可以帮助我们快速高效地抓取网站数据。在本教程中,我们介绍了Scrapy项目的创建、Spider的定义以及如何运行Spider。如果您想更深入地学习Scrapy,可以参考官方文档:https://docs.scrapy.org/en/latest/。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值