前言:
眼前兄弟们对“centos65scrapy”都比较关心,看官们都想要知道一些“centos65scrapy”的相关文章。那么小编也在网摘上搜集了一些对于“centos65scrapy””的相关内容,希望大家能喜欢,各位老铁们快快来了解一下吧!Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。下面我们用Python爬取
1 、抓取某院网站MM照片MM的照片
2.抓取每一个MM的资料简介以及写真图片
3.把每一个MM的写真图片按照文件夹保存到本地
4.熟悉文件保存的过程
1.URL的格式
在这里我们用到的URL是 ,问号前面是基地址,后面的参数page是代表第几页,可以随意更换地址。点击开之后,会发现有一些淘宝MM的简介,并附有超链接链接到个人详情页面。
我们需要抓取本页面的头像地址,MM姓名,MM年龄,MM居住地,以及MM的个人详情页面地址。
2.抓取简要信息
相信大家经过上几次的实战,对抓取和提取页面的地址已经非常熟悉了,这里没有什么难度了,我们首先抓取本页面的MM详情页面地址,姓名,年龄等等的信息打印出来,直接贴代码如下
Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
__author__='CQC'
# -*- coding:utf-8 -*-
importurllib
importurllib2
importre
classSpider:
def__init__(self):
self.siteURL=''
defgetPage(self,pageIndex):
url=self.siteURL+"?page="+str(pageIndex)
printurl
request=urllib2.Request(url)
response=urllib2.urlopen(request)
returnresponse.read().decode('gbk')
defgetContents(self,pageIndex):
page=self.getPage(pageIndex)
pattern=re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items=re.findall(pattern,page)
foritem initems:
printitem[0],item[1],item[2],item[3],item[4]
spider=Spider()
spider.getContents(1)
运行结果如下
2.文件写入简介
在这里,我们有写入图片和写入文本两种方式
1)写入图片
Python
1
2
3
4
5
6
7
运行结果如下
QQ截图20150220234132
2.文件写入简介
在这里,我们有写入图片和写入文本两种方式
1)写入图片
2)写入文本
Python
1
2
3
4
5
defsaveBrief(self,content,name):
fileName=name+"/"+name+".txt"
f=open(fileName,"w+")
printu"正在偷偷保存她的个人信息为",fileName
f.write(content.encode('utf-8'))
3)创建新目录
Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#创建新目录
defmkdir(self,path):
path=path.strip()
# 判断路径是否存在
# 存在 True
# 不存在 False
isExists=os.path.exists(path)
# 判断结果
ifnotisExists:
# 如果不存在则创建目录
# 创建目录操作函数
os.makedirs(path)
returnTrue
else:
# 如果目录存在则不创建,并提示目录已存在
returnFalse
3.代码完善
主要的知识点已经在前面都涉及到了,如果大家前面的文章都已经看了,完成这个爬虫不在话下,具体的详情在此不再赘述,直接帖代码啦。
Python
1
spider.py
Python
1
2
3
4
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
__author__='CQC'
# -*- coding:utf-8 -*-
importurllib
importurllib2
importre
importtool
importos
#抓取MM
classSpider:
#页面初始化
def__init__(self):
self.siteURL=''
self.tool=tool.Tool()
#获取索引页面的内容
defgetPage(self,pageIndex):
url=self.siteURL+"?page="+str(pageIndex)
request=urllib2.Request(url)
response=urllib2.urlopen(request)
returnresponse.read().decode('gbk')
#获取索引界面所有MM的信息,list格式
defgetContents(self,pageIndex):
page=self.getPage(pageIndex)
pattern=re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items=re.findall(pattern,page)
contents=[]
foritem initems:
contents.append([item[0],item[1],item[2],item[3],item[4]])
returncontents
#获取MM个人详情页面
defgetDetailPage(self,infoURL):
response=urllib2.urlopen(infoURL)
returnresponse.read().decode('gbk')
#获取个人文字简介
defgetBrief(self,page):
pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
result=re.search(pattern,page)
returnself.tool.replace(result.group(1))
#获取页面所有图片
defgetAllImg(self,page):
pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
#个人信息页面所有代码
content=re.search(pattern,page)
#从代码中提取图片
patternImg=re.compile('<img.*?src="(.*?)"',re.S)
images=re.findall(patternImg,content.group(1))
returnimages
#保存多张写真图片
defsaveImgs(self,images,name):
number=1
printu"发现",name,u"共有",len(images),u"张照片"
forimageURL inimages:
splitPath=imageURL.split('.')
fTail=splitPath.pop()
iflen(fTail)>3:
fTail="jpg"
fileName=name+"/"+str(number)+"."+fTail
self.saveImg(imageURL,fileName)
number+=1
# 保存头像
defsaveIcon(self,iconURL,name):
splitPath=iconURL.split('.')
fTail=splitPath.pop()
fileName=name+"/icon."+fTail
self.saveImg(iconURL,fileName)
#保存个人简介
defsaveBrief(self,content,name):
fileName=name+"/"+name+".txt"
f=open(fileName,"w+")
printu"正在偷偷保存她的个人信息为",fileName
f.write(content.encode('utf-8'))
#传入图片地址,文件名,保存单张图片
defsaveImg(self,imageURL,fileName):
u=urllib.urlopen(imageURL)
data=u.read()
f=open(fileName,'wb')
f.write(data)
printu"正在悄悄保存她的一张图片为",fileName
f.close()
#创建新目录
defmkdir(self,path):
path=path.strip()
# 判断路径是否存在
# 存在 True
# 不存在 False
isExists=os.path.exists(path)
# 判断结果
ifnotisExists:
# 如果不存在则创建目录
printu"偷偷新建了名字叫做",path,u'的文件夹'
# 创建目录操作函数
os.makedirs(path)
returnTrue
else:
# 如果目录存在则不创建,并提示目录已存在
printu"名为",path,'的文件夹已经创建成功'
returnFalse
#将一页淘宝MM的信息保存起来
defsavePageInfo(self,pageIndex):
#获取第一页淘宝MM列表
contents=self.getContents(pageIndex)
foritem incontents:
#item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地
printu"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]
printu"正在偷偷地保存",item[2],"的信息"
printu"又意外地发现她的个人地址是",item[0]
#个人详情页面的URL
detailURL=item[0]
#得到个人详情页面代码
detailPage=self.getDetailPage(detailURL)
#获取个人简介
brief=self.getBrief(detailPage)
#获取所有图片列表
images=self.getAllImg(detailPage)
self.mkdir(item[2])
#保存个人简介
self.saveBrief(brief,item[2])
#保存头像
self.saveIcon(item[1],item[2])
#保存图片
self.saveImgs(images,item[2])
#传入起止页码,获取MM图片
defsavePagesInfo(self,start,end):
foriinrange(start,end+1):
printu"正在偷偷寻找第",i,u"个地方,看看MM们在不在"
self.savePageInfo(i)
#传入起止页码即可,在此传入了2,10,表示抓取第2到10页的MM
spider=Spider()
spider.savePagesInfo(2,10)
Python
1
tool.py
Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
__author__='CQC'
#-*- coding:utf-8 -*-
importre
#处理页面标签类
classTool:
#去除img标签,1-7位空格,
removeImg=re.compile('<img.*?>| {1,7}| ')
#删除超链接标签
removeAddr=re.compile('<a.*?>|</a>')
#把换行的标签换为\n
replaceLine=re.compile('<tr>|<div>|</div>|</p>')
#将表格制表<td>替换为\t
replaceTD=re.compile('<td>')
#将换行符或双换行符替换为\n
replaceBR=re.compile('<br><br>|<br>')
#将其余标签剔除
removeExtraTag=re.compile('<.*?>')
#将多行空行删除
removeNoneLine=re.compile('\n+')
defreplace(self,x):
x=re.sub(self.removeImg,"",x)
x=re.sub(self.removeAddr,"",x)
x=re.sub(self.replaceLine,"\n",x)
x=re.sub(self.replaceTD,"\t",x)
x=re.sub(self.replaceBR,"\n",x)
x=re.sub(self.removeExtraTag,"",x)
x=re.sub(self.removeNoneLine,"\n",x)
#strip()将前后多余内容删除
returnx.strip()
以上两个文件就是所有的代码内容,运行一下试试看,那叫一个爽啊
python对于小白来说,爬虫可能是一件非常复杂、技术门槛很高的事情。比如有人认为学爬虫必须精通 Python,然后系统学习 Python 的每个知识点,很久之后发现仍然爬不了数据;有的人则认为先要掌握网页的知识,遂开始 HTML\CSS,结果入了前端的坑,好了,知识今天就分享到这里,想学习了解更多,欢迎在下面评论区留言和小编交流。
标签: #centos65scrapy #python爬虫爬照片