位置: 编程技术 - 正文

Using Django with GAE Python 后台抓取多个网站的页面全文

编辑:rootadmin

推荐整理分享Using Django with GAE Python 后台抓取多个网站的页面全文,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:,内容如对您有帮助,希望把文章链接给更多的朋友!

一直想做个能帮我过滤出优质文章和博客的平台 给它取了个名 叫Moven。。 把实现它的过程分成了三个阶段:1. Downloader: 对于指定的url的下载 并把获得的内容传递给Analyser--这是最简单的开始2. Analyser: 对于接受到的内容,用Regular Expression 或是 XPath 或是 BeautifulSoup/lxml 进行过滤和简化--这部分也不是太难3. Smart Crawler: 去抓取优质文章的链接--这部分是最难的:

Crawler的话可以在Scrapy Framework的基础上快速的搭建但是判断一个链接下的文章是不是优质 需要一个很复杂的算法

最近就先从Downloader 和 Analyser 开始: 最近搭了一个l2z story 并且还有一个 Z Life 和 Z Life@Sina 还有一个她的博客 做为一个对Downloader 和 Analyser的练习 我就写了这个东西来监听以上四个站点 并且把它们的内容都同步到这个站上:

的特色这个站上除了最上面的黑色导航条 和 最右边的About This Site 部分外, 其他的内容都是从另外的站点上自动获得原则上, 可以添加任何博客或者网站地址到这个东西。。。当然因为这个是L2Z Story..所以只收录了四个站点在里面特点是: 只要站点的主人不停止更新, 这个东西就会一直存在下去---这就是懒人的力量

值得一提的是, Content 菜单是在客户端用JavaScript 自动生成的--这样就节约了服务器上的资源消耗

这里用的是html全页面抓取 所以对那些feed没有全文输出的站点来说, 这个app 可以去把它要隐藏的文字抓来在加载的时候会花很多时间因为程序会自动到一个没有全文输出的页面上抓取所有的文章列表,作者信息,更新时间,以及文章全文。。所以打开的时候请耐心。。。下一步会加入数据存储部分,这样就会快了。。

技术准备 前端:

1. CSS 在信奉简单之上的原则上 twitter的bootstrap.css满足了我大多数的要求 个人超喜欢它的 Grid System 2. Javascript上, 当然选用了jQuery 自从我开始在我的第一个小项目上用了jQuery 后 我就爱上了它 那个动态的目录系统就是用jQuery快速生成的 为了配合bootstrap.css, bootstrap-dropdown.js 也用到了

服务器:

这个app有两个版本: 一个跑在我的Apache上, 但是因为我的网络是ADSL, 所以ip一直会变基本上只是我在我的所谓的局域网内自测用的。。这个版本是纯Django的 另一个跑在Google App Engine上 地址是 在把Django 配置到GAE的时候我花了很多功夫才把框架搭起来

详情请见: Using Django with Google App Engine GAE: l2Z Story Setup-Step 1 自从认识Python后就没有离开它

主要用到的module是

1. BeautifulSoup.py 用于html 的解析--不解释2. feedparser.py 用于对feed xml的解析--网上有很多人说GAE不支持feedparser..这里你们得到答案了。。可以。。这里我也是花了很久才弄明白到底是怎么回事。。总之简单讲就是: 可以用!但是feedparser.py这个文件必须放到跟app.yaml同一个目录中 不然会出现网上众人说的不可以import feedparser的情况

数据库:Google Datastore: 在下一步中, 这个程序会每隔分钟醒来 逐一查看各个站点有没有更新并抓取更新后的文章并存入Google 的Datastore中

App 的配置

Using Django with GAE Python 后台抓取多个网站的页面全文

遵循Google的规则, 配置文件app.yaml 如下:这里主要是定义了一些static directory--css 和 javascript的所在地

URL的配置

这里采用的是Django 里的正则表达式

Views的细节

对Django比较熟悉的人应该会从url的配置中看到view的名字了 我只把L2ZStory的这个view贴出来因为其他的在view里的架构至少是差不多的

这里主要是构建一个dictionary of dictionary htmlpages 和一个list of dictionary PostInfoshtmlpages 主要是存贮站点的 About, Contact US 之类的页面PostInfos 会存贮所有文章的 内容, 作者, 发布时间 之类的

这里面最重要的是PyUtils。。这是这个app的核心

PyUtils的细节

我把一些我认为比较重要的细节加深了 并加了评论

#用来欺骗网站的后台。。象新浪这类的网站对我们这类的app十分不友好。。。希望它们可以多象被墙掉的wordpress学一学。。

template 的概览

在简单之上的原则的鼓舞下, 所有的站点都统一使用一个template 这个template 只接受两个变量--前文中提到的htmlpages 和 PostInfos重要的片断是:

总结

一句话, 我爱死Python了两句话, 我爱死Python了,我爱死Django了三句话, 我爱死Python了,我爱死Django了,我爱死jQuery了。。。

Python 爬虫爬取指定博客的所有文章 自上一篇文章ZStory:UsingDjangowithGAEPython后台抓取多个网站的页面全文后,大体的进度如下:1.增加了Cron:用来告诉程序每隔分钟让一个task醒来,跑到指

玩转python爬虫之cookie使用方法 之前一篇文章我们学习了爬虫的异常处理问题,那么接下来我们一起来看一下Cookie的使用。为什么要使用Cookie呢?Cookie,指某些网站为了辨别用户身份

玩转python爬虫之URLError异常处理 本节在这里主要说的是URLError还有HTTPError,以及对它们的一些处理。1.URLError首先解释下URLError可能产生的原因:网络无连接,即本机无法上网连接不到特

标签: Using Django with GAE Python 后台抓取多个网站的页面全文

本文链接地址:https://www.jiuchutong.com/biancheng/382360.html 转载请保留说明!

上一篇:python实现RSA加密(解密)算法(rsa加密算法python)

下一篇:Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据)

  • 增值税和城建税怎么算
  • 关于个人取得的成果
  • 流转税通俗
  • 废旧物资增值税税收优惠政策
  • 跨年度费用报销违反什么规定
  • 资产负债表上的资产是原值还是净值
  • 前期差错更正会引起所有者权益总额变动吗
  • 记账凭证包括哪些种类
  • 股权转让后的实收资本怎么做账
  • 原油资源税计税方法
  • 库存商品报废进项转出
  • 划拨土地能转为商业用地吗
  • 转让五年以上住房免征个人所得税吗?
  • 认证过的进项税怎么记账
  • 红字发票冲红步骤
  • 私自安装路灯违法吗?
  • 股东转让股份怎么转让
  • 长期待摊费用以后怎么摊销
  • 财务费用在汇算清缴时填哪里科目
  • 机票改签费要开发票吗
  • 租赁服务可以享受加计抵减吗
  • 银行扣的短信费银行给开发票吗
  • 注册资本与利息的税前扣除
  • 残值收入的会计处理
  • mac安装windows不能用键盘
  • 在境外缴纳的增值税税率
  • 支付宝账户记录
  • thinkphp5开发教程
  • php自学教程
  • 应缴纳个人所得税的是托儿补助费
  • 出口企业免抵退不得抵扣进项
  • 固定资产原值和账务账套原值不平
  • 虚开发票的管理办法是什么?
  • 一头公牛和一头母牛,答五个字
  • vue中的组件有几类
  • 应付票据抵付应付账款会计分录
  • smarty怎么用
  • 间接费用计算
  • 外埠存款通过哪个会计账户核算?
  • 怎么调整利润分配
  • 企业做账会计分录流程
  • 什么叫做归属
  • db2 deadlock
  • 工资薪金个人所得税在哪里申报
  • 运输行业油费怎么入账
  • 三方合同如何解除
  • 业务活动表本年累计数公式是什么
  • 进项税额是什么意思
  • 装修工程一般质保几年
  • 公司注销了就可以不发工资么
  • mysql 指定my.cnf
  • 办公室装修 会计分录
  • 企业专利权拥有人是指
  • 建筑企业预缴所得税税率是多少
  • 免税设备是什么意思
  • 公司房产税如何避税
  • 纳税申报表多缴了怎么办
  • 什么叫做未入账金额
  • 收到免税发票怎么做账
  • 什么企业属于小型微利企业
  • Linux环境mysql5.7.12安装教程
  • win10预览版21301bug
  • win10任务界面
  • 开机慢怎么解决 w8
  • iphone手机文件怎么传到电脑
  • scrollpane.setviewportview
  • js canvas压缩图片
  • 欢迎使用来电提醒业务,本次呼叫将以点对点
  • python的基本数值类型
  • (转)Unity3D NGUI在UI上显示3D模型
  • sdk有问题
  • shell脚本逐条执行
  • js修改css文件
  • javascript例题
  • 税务机关落实六保六稳
  • 药店买药开票吗
  • 安徽省税务局发票真伪查询平台
  • 石狮纳税企业排名
  • 红股派息是赠送股票的意思吗
  • 福建是高原还是平原
  • 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