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)

  • 出口商品认证
  • 不动产统一发票图片
  • 兼职合同工资发放
  • 提交印花税会计分录
  • 城市维护建设税属于什么科目
  • 购销业务账务处理
  • 产品不合格造成客户损失怎么赔付
  • 租金收入摊销
  • 新增员工个人所得税申报表?
  • 社保扣款不成功会短信提醒吗
  • 个人独资企业缴纳个人所得税
  • 小规模增值税普通发票税率
  • 税务机关是否可以申请破产清算
  • 转让资产使用权收入属于什么收入
  • 政府机构可以开对外营业的餐饮吗
  • 企业收到稳岗补贴的账务处理
  • 房产税要来了!租金也要交,最高达到12%
  • 人机料法环是什么方法
  • 管理费用销售费用
  • 贷款本金余额具体是什么意思
  • 生产成本的工料有哪些
  • 公司员工驻外补贴政策
  • 发票金额大于开票金额
  • 权益法下对投资者的要求
  • 反映企业在一定会计期间经营成果的会计报表
  • macbook怎么修改默认系统
  • 委托外单位加工发出的材料分录
  • php程序开发范例宝典光盘
  • wordpress如何使用
  • 车辆购置税退税计算
  • php 二叉树
  • 承接旅游业务
  • 新准则有哪些
  • 收外汇怎么做账报税
  • 一般纳税人的进项普票怎么做账
  • ajax调用php接口
  • php图片生成视频
  • thinkphp批量导入数据
  • cv2.error:opencv(3.4.2)
  • 车间主要有哪些事故风险
  • python2 tkinter
  • 分公司增值税可以放总公司一起缴纳吗
  • 会计凭证大小写不一致
  • 去银行打对账单和回执单需要拿什么
  • 什么时候贷主营业务成本
  • 中标的工程交易怎么处理
  • 金税四期对企业有什么影响
  • 公司收到银行发放贷款会计分录
  • 工装算劳保用品还是办公费
  • 特许权使用费收入按照收到特许权使用费的日期确认收入
  • 认缴制的注册资金怎么算
  • 合适的库存产品包括
  • 信息服务的最终目的是什么
  • 公司社保收费标准
  • 专用发票过期未认证最新规定
  • 企业支付宝买东西怎么买
  • 收到票据之后贴什么标签
  • 会计写数字的技巧和方法
  • 汽车折旧计算方法2023折旧率
  • 最新mysql数据库安装步骤
  • MySQL 5.7.14 net start mysql 服务无法启动-“NET HELPMSG 3534” 的奇怪问题
  • linux中安装vim命令
  • mac怎么更换用户名和密码
  • linux收发邮件
  • win10 累积更新
  • android游戏开发框架
  • canvas动态绘制简单gif
  • jQuery实现checkbox即点即改批量删除及中间遇到的坑
  • js用变量值做参数
  • 进入cmd命令
  • 用javascript写表单代码
  • jquery.multiselect多选下拉框实现代码
  • sdk有问题
  • jquery模拟回车
  • 利用的英文
  • 学完js不会用怎么办
  • jquery 插件写法
  • 国家税务发票查验平台手机怎么查
  • 3.0t交强险
  • 17%增值税什么时候开始
  • 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