scrapy初级-创新互联

scrapy 补充方法路径拼接

responses.urljoin(不完整的链接)

成都服务器托管，创新互联建站提供包括服务器租用、光华机房服务器托管、带宽租用、云主机、机柜租用、主机租用托管、CDN网站加速、空间域名等业务的一体化完整服务。电话咨询：18982081108多字典时使用

管道中判断是否为某一个字典

if isinstance(item,字典名)

保存

return item

判断网站ip类型，从而挂ip类型

if request.url.startswitch(''http://"):

request.meta["proxy"]='http://+ip'

elif ...........('https://'):

......='https://+ip'

pipeline 管道

class 管道名(object)：

def __init__(self):

self.文件=open("文件名.后缀"，'写入方式'，encoding="utf_8")

def open_spider(self,spider):

self.文件=open("文件名.后缀"，'写入方式'，encoding="utf_8")

2. def process_item(self,spider):

# 管道中判断是否为某一个字典

if isinstance(item,字典名)

保存

return item

if isinstance(item, 字典名):

data = dict(item)

self.file.write(json.dumps(data, ensure_ascii=False) + ',\n')

#ensure_ascii=False：这是因为json.dumps 序列化时对中文默认使用的ascii编码.想输出真正的中文需要指定ensure_ascii=False

3. def close_spider(self,spider):

self.文件.close()#关闭文件

3. def __del__(self):

self.文件.close()#关闭文件

setting文件代理及user_agent

DOWNLOADER_MIDDLEWARES = {
# 'demo_58.middlewares.Demo58DownloaderMiddleware': 543,
#随机ua
'demo_58.middlewares.UserAgentDownloadMiddleware': 543,
#随机ip
'demo_58.middlewares.RandomProxy': 542,
}

请求头

DEFAULT_REQUEST_HEADERS = {
'accept-encoding': 'gzip, deflate, br',
'accept-language': 'zh-CN,zh;q=0.9',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'referer': 'https://cs.58.com/chuzu/?PGTID=0d100000-0019-e694-7c7e-9295d99e15c1&ClickID=2'
}

middlewares文件随机ip

class RandomProxy:
    ip_list = [
        '124.116.116.13:4228',
        '122.194.194.139:4212',
        '36.42.248.45:4215',
        '1.83.250.183:4228',
        '49.85.43.175:4223',
        '121.205.229.70:4231',

    ]

    # 方法名是scrapy规定的方法 （协商机制）

    def process_request(self, request, spider):
        proxy = random.choice(self.ip_list)

        # 修改请求的元数据字典
        # 如果是将IP以列表随机形式构造 需要加上https://,否则报错
        request.meta['proxy'] = 'https://' + proxy

        # 如果是将IP以字典形式构造
        print('IP:', request.meta)

随机user_agent

class UserAgentDownloadMiddleware:
    user_agent = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko)         Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko)         Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:77.0) Gecko/20190101 Firefox/77.0',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like         Gecko) Chrome/70.0.3538.77 Safari/537.36',
        'Opera/9.80 (X11; Linux i686; Ubuntu/14.10) Presto/2.12.388 Version/12.16.2'
    ]

    # 方法名是scrapy规定的方法 （协商机制）
    # 每个交给下载器的request对象都会经过该方法，并期望返回response
    def process_request(self, request, spider):
        # 获取随机请求头
        u_a = random.choice(self.user_agent)
        # 设置请求头
        request.headers['User-Agent'] = u_a

item字典

# 租房
class Demo58Item_zufang(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()  # 租房标题
    price = scrapy.Field()  # 租房价格

# 二手房
class Demo58Item_ershou(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()  # 二手标题
    price = scrapy.Field()  # 二手价格

spider文件

import scrapy
导入字典
from demo_58.items import Demo58Item_zufang,Demo58Item_ershou

class SpiderSpider(scrapy.Spider):
name = 'spider'

#限制域名
allowed_domains = ['58.com']

#限制网址
start_urls = ['http://58.com/']

def parse(self, response):
# 解析链接
links = response.xpath('//div[@]//span[@]/a/@href').extract()

for link in links:
# response.urljoin() 自动拼接链接
href = response.urljoin(link)

#指定爬取的子网页
if '58.com/chuzu/' in href:
yield scrapy.Request(url=href,callback=self.get_zufang_data)
if '58.com/ershoufang/' in href:
yield scrapy.Request(url=href, callback=self.get_ershoufang_data)

'''解析信息'''
def get_zufang_data(self,response):
title = response.xpath('//div[@]/h2/a/text()').extract() # 标题
preice = response.xpath('//div[@]//div[@]/b/text()').extract() # 价格

for titles,preices in zip(title,preice):
# 实例化租房的item类
zufang_item = Demo58Item_zufang()

zufang_item['title'] =titles
zufang_item['price'] =preices
# 返回给引擎
yield zufang_item

# 构造翻页
for i in range(2,12):
print('当前正在下载租房的第{}页'.format(i))
z_next_url = 'https://cs.58.com/chuzu/pn{}/'.format(i)
# 将翻页Url打包成请求对象给引擎

#callback=交给谁去执行
yield scrapy.Request(url=z_next_url,callback=self.get_zufang_data)

'''解析信息'''
def get_ershoufang_data(self,response):
title = response.xpath('//div[@]/div[@]/h3/text()').extract() # 标题
preice = response.xpath('//p[@]/span[@]/text()').extract() # 价格

for titles, preices in zip(title, preice):
# 实例化二手房的Item类
ershou_item = Demo58Item_ershou()
ershou_item['title'] = titles.strip()
ershou_item['price'] = preices
# 返回给引擎
yield ershou_item

# 开始二手房翻页
for i in range(2,12):
print('当前正在下载二手房的第{}页'.format(i))
next_url = 'https://cs.58.com/ershoufang/p{}/'.format(i)
# 将翻页Url打包成请求对象给引擎
yield scrapy.Request(url=next_url, callback=self.get_ershoufang_data)

if __name__ == '__main__':

#启动文件
from scrapy import cmdline
cmdline.execute(['scrapy', 'crawl', 'spider'])

你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧

新闻名称：scrapy初级-创新互联
标题链接：http://cdxtjz.cn/article/dpicio.html

scrapy初级-创新互联

其他资讯