爬虫---爬取大众点评

这篇博客介绍了如何利用Python的Scrapy框架来创建一个爬虫项目,具体包括设置命令行创建项目、定义数据结构(items.py)以及数据处理管道(pipelines.py)的步骤。
摘要由CSDN通过智能技术生成

使用命令行创建scrapy项目
1、####ping.py

# -*- coding: utf-8 -*-
import os
import random
import re

import requests
import scrapy
# from fake_useragent import UserAgent
# ua = UserAgent()
from lxml import etree

from dianping.items import shop
from dianping.settings import user_agent
from fontTools.ttLib import TTFont

class PingSpider(scrapy.Spider):
    name = 'ping'
    allowed_domains = ['https://www.dianping.com/']
    start_urls = ['https://www.dianping.com/beijing/ch10']
    custom_settings = {
   
        'ITEM_PIPELINES': {
   'dianping.pipelines.shopPipelines': 301},
    }
    headers = {
   
        'lgtoken': '0897479c0-088d-4343-a98f-82bff8f7bf23',
        'Accept': '*/*',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
        'Connection': 'keep-alive',
        'Cookie': '_lxsdk_cuid=170b78cc76fc8-0a5b2ec62d67f4-4313f6a-144000-170b78cc76fc8; _lxsdk=170b78cc76fc8-0a5b2ec62d67f4-4313f6a-144000-170b78cc76fc8; _hc.v=32cef2f6-b6e1-4f3f-52cc-f7f971670e42.1583627422; s_ViewType=10; ua=dpuser_8153713552; ctu=307ee90b2640a3fdfb7d5160e160f22434ac9fe3475d11d27394f1c12f34fba0; cy=3592; cye=zhongningxian; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; _lxsdk_s=170c46808f8-d46-74c-84b%7C%7C65',
        'Host': 'www.dianping.com',
        'Referer': 'http://www.dianping.com/zhongningxian/ch10',
        'User-Agent': random.choice(user_agent),
        'X-Requested-With': 'XMLHttpRequest'
    }
    cookies = {
   
        "s_ViewType": "10",
        " _lxsdk_cuid": "16e48a565e1c8-04659e09b895fe-e343166-144000-16e48a565e373",
        " _lxsdk": "170c3969300-358-fb-b16%7C%7C140",
        " _hc.v": "43db2bd6-f5d5-fee9-59df-981a1d70742c.1573176830"
    }
    fontDir={
   }
    def get_font(self,filePath):
        # 处理数字
        font = TTFont(filePath)
        font_names = font.getGlyphOrder()
        # 这些文字就是在FontEditor软件打开字体文件后看到的文字名字
        texts = ['', '', '1', '2', '3', '4', '5', '6', '7', '8', '9', '0']
        font_name = {
   }
        # 将字体名字和它们所对应的乱码构成一个字典
        for index, value in enumerate(texts):
            a = font_names[index].replace('uni'
  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如果您下载了本程序,但是该程序无法运行,或者您不会部署,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的) 爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
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