位置: 编程技术 - 正文

Scrapy抓取京东商品、豆瓣电影及代码分享(python爬虫爬取京东某个商品)

编辑:rootadmin

推荐整理分享Scrapy抓取京东商品、豆瓣电影及代码分享(python爬虫爬取京东某个商品),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫爬取京东商品步骤,python爬取京东数据,python爬虫京东,stream抓取京东cookie,stream抓取京东cookie,stream抓取京东cookie,python抓取京东数据,python抓取京东数据,内容如对您有帮助,希望把文章链接给更多的朋友!

 1.scrapy基本了解

  Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。可以应用在包括数据挖掘, 信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取(更确切来说,网络抓取)所设计的,也可以应用在获取API所返回的数据(比如Web Services)或者通用的网络爬虫。

  Scrapy也能帮你实现高阶的爬虫框架,比如爬取时的网站认证、内容的分析处理、重复抓取、分布式爬取等等很复杂的事。

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。

  Scrapy运行流程大概如下:1.首先,引擎从调度器中取出一个链接(URL)用于接下来的抓取

2.引擎把URL封装成一个请求(Request)传给下载器,下载器把资源下载下来,并封装成应答包(Response)

3.然后,爬虫解析Response

4.若是解析出实体(Item),则交给实体管道进行进一步的处理。

5.若是解析出的是链接(URL),则把URL交给Scheduler等待抓取

  2.安装scrapy

  虚拟环境安装: sudo pip install virtualenv #安装虚拟环境工具 virtualenv ENV #创建一个虚拟环境目录 source ./ENV/bin/active #激活虚拟环境 pip install Scrapy #验证是否安装成功 pip list #验证安装

可以如下测试:

scrapy bench

  3.使用scrapy

   在抓取之前, 你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录,然后执行:

Scrapy抓取京东商品、豆瓣电影及代码分享(python爬虫爬取京东某个商品)

  $ scrapy startproject tutorial

    这个命令会在当前目录下创建一个新目录 tutorial, 它的结构如下:

  这些文件主要是:

scrapy.cfg: 项目配置文件tutorial/: 项目python模块, 之后您将在此加入代码tutorial/items.py: 项目items文件tutorial/pipelines.py: 项目管道文件tutorial/settings.py: 项目配置文件tutorial/spiders: 放置spider的目录

  3.1. 定义Item

  items是将要装载抓取的数据的容器,它工作方式像 python 里面的字典,但它提供更多的保护,比如对未定义的字段填充以防止拼写错误通过创建scrapy.Item类, 并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化。在 tutorial 目录下的 items.py 文件中编辑。

  3.2. 编写Spider

  Spider 是用户编写的类, 用于从一个域(或域组)中抓取信息, 定义了用于下载的URL的初步列表, 如何跟踪链接,以及如何来解析这些网页的内容用于提取items。要建立一个 Spider,继承 scrapy.Spider 基类,并确定三个主要的、强制的属性:name:爬虫的识别名,它必须是唯一的,在不同的爬虫中你必须定义不同的名字.start_urls:包含了Spider在启动时进行爬取的url列表。因此,第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。parse():是spider的一个方法。被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。

  在 /tutorial/tutorial/spiders 目录下创建

  example.py

  3.3 .爬取

  到项目根目录, 然后运行命令

  $ scrapy crawl example

  完整代码参考: 其中有题目中抓取京东和豆瓣的方法。

Python实现的基数排序算法原理与用法实例分析 本文实例讲述了Python实现的基数排序算法。分享给大家供大家参考,具体如下:基数排序(radixsort)属于分配式排序(distributionsort),又称桶子法(buck

python网络爬虫之如何伪装逃过反爬虫程序的方法 有的时候,我们本来写得好好的爬虫代码,之前还运行得Ok,一下子突然报错了。报错信息如下:HttpInternalinterneterror这是因为你的对象网站设置了反爬

Python3网络爬虫之使用User Agent和代理IP隐藏身份 本文介绍了Python3网络爬虫之使用UserAgent和代理IP隐藏身份,分享给大家,具体如下:运行平台:WindowsPython版本:Python3.xIDE:Sublimetext3一、为何要设置User

标签: python爬虫爬取京东某个商品

本文链接地址:https://www.jiuchutong.com/biancheng/375412.html 转载请保留说明!

上一篇:python简单图片操作:打开显示保存图像方法介绍(python图片处理酷炫效果)

下一篇:Python实现的基数排序算法原理与用法实例分析(python数值计算基础)

  • 小企业会计准则是什么意思
  • 增值税纳税义务发生地点的规定
  • 机票抵扣怎么填申报表
  • 预缴增值税如何计提
  • 岗位津贴和岗位补贴
  • 收到赔偿款怎么做分录
  • 同一控制下企业合并和非同一控制下企业合并的区别
  • 资本公积与什么有关
  • 公益性生物资产属于什么科目
  • 债权投资损失准备
  • 事业单位大型修缮会计分录
  • 员工借款可以直接转账吗
  • 企业购进废旧厂房的分录
  • 出售办公用房要交什么税
  • 工程类一般纳税人可以开3%的税率吗
  • 企业利润分配核算方法
  • 金税盘在电脑上怎么打开
  • 白蚁防治费计入什么科目
  • 出口佣金会计分录
  • 所得税季报营业收入本年累计
  • 主营业务成本没有结转怎么办
  • 用于职工集体福利的外购货物可以抵进项税额吗
  • 法定盈余公积是留存收益吗
  • 1697509422
  • 想要探究的问题
  • 交易性金融资产公允价值变动怎么算
  • 为什么篮牙耳机卡
  • PHP:pg_fetch_row()的用法_PostgreSQL函数
  • 委托境外研发费用加计扣除比例
  • phppost带cookie提交
  • 企业发生的间接费用应先在
  • 工商注册经营部和公司的区别
  • 外经证逾期未核实怎么办
  • 蒙大拿州美景
  • 长期股权投资后续计量收到红利账务处理
  • 财务费用为什么流向债权人
  • 什么是异步函数
  • 税控盘抵扣怎么做账
  • 没有残疾人就业保障金需要申报吗
  • 购入的机器设备
  • 促销服务费分录
  • 上一年的成本没入账怎么做
  • 实收资本可以用于偿还借款
  • 支付员工的餐费怎么入账
  • 土地转让需要批准吗
  • 软件公司购进软件会计科目
  • 没有付款的费用怎么入账
  • 行政单位年结
  • 小规模与一般纳税人的界定
  • 进口关税增值税可以抵扣吗
  • 发票红冲重新开具怎么做分录
  • 冲减应收账款是什么意思
  • 如何调整以前年度错账
  • 制造费用怎么结算
  • sqlserver数据库测试工具
  • sql server怎么执行
  • navicate创建存储过程
  • 服务器 安装win10
  • win10注册表主键
  • win7小技巧
  • mac备忘录怎么使用
  • 电脑太慢了怎么解决
  • 如何重装edge
  • ubuntudde 中文
  • mac内存管理在哪里
  • linux操作系统b
  • win7桌面右下角
  • win7右下角时间怎么显示年月日
  • cocos2d官网
  • opengl环境光
  • 基于专业性的家校双向互动,需要家长的学校教育参与
  • js 浏览器全屏
  • Node.js中的事件循环是什么
  • python任务调度之schedule
  • python制作windows安装程序
  • js数组如何定义
  • Android中Strings.xml使用占位符示例
  • python中创建自定义函数
  • 国家税务局申请电子发票怎么申请
  • 南京市国家税务局溧水分局
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设