位置: 编程技术 - 正文

Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据)

编辑:rootadmin

推荐整理分享Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据),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 爬虫爬取网络小说标题,python 爬虫爬取php网页,python爬虫爬取电影代码,python爬虫爬取电影,python爬虫爬取天气数据,python爬虫爬取天气数据,python爬虫爬取视频,python爬虫爬取视频,内容如对您有帮助,希望把文章链接给更多的朋友!

自上一篇文章 Z Story : Using Django with GAE Python 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, 跑到指定的那几个博客上去爬取最新的更新2.用google 的 Datastore 来存贮每次爬虫爬下来的内容。。只存贮新的内容。。

就像上次说的那样,这样以来 性能有了大幅度的提高: 原来的每次请求后, 爬虫才被唤醒 所以要花大约秒的时间才能从后台输出到前台而现在只需要2秒不到

3.对爬虫进行了优化

1. Cron.yaml 来安排每个程序醒来的时间

经过翻文档, 问问题终于弄明白google的cron的工作原理--实际上只是google每隔指定的时间虚拟地访问一个我们自己指定的url…因此在Django 下, 根本不需要写一个纯的python 程序 一定不要写:if __name__=="__main__": 只需要自己配置一个url 放在views.py里:

cron.yaml 要放在跟app.yaml同一个级别上:cron:- description: retrieve newest postsurl: /task_updatePosts/schedule: every minutes

在url.py 里只要指向这个把task_updatePostsDB 指向url就好了

调试这个cron的过程可以用惨烈来形容。。。在stackoverflow上有很多很多人在问为什么自己的cron不能工作。。。我一开始也是满头是汗,找不着头脑。。。最后侥幸弄好了,大体步骤也是空泛的很。。但是很朴实:首先,一定要确保自己的程序没有什么syntax error….然后可以自己试着手动访问一下那个url 如果cron 正常的话,这个时候任务应该已经被执行了 最后实在不行的话多看看log…

2. Datastore的配置和利用--Using Datastore with Django

Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据)

我的需求在这里很简单--没有join…所以我就直接用了最简陋的django-helper..这个models.py 是个重点:

前两行是重点中的重点。。。。我一开始天真没写第二行。。。结果我花了2个多小时都没明白是怎么回事。。得不偿失。。。读写的时候, 千万别忘了。。。PostDB.put()

一开始的时候,我为了省事,就直接每次cron被唤醒, 就删除全部的数据, 然后重新写入新爬下来的数据。。。结果。。。一天过后。。。有4万条读写纪录。。。。而每天免费的只有5万条。。。。所以就改为在插入之前先看看有没有更新, 有的话就写,没的话就不写。。总算把数据库这部分搞好了。。。

3.爬虫的改进:一开始的时候,爬虫只是去爬feed里给的文章。。这样一来,如果一个博客有*篇文章的话。。。最多只能拿到篇。。。。这次,改进版能爬所有的文章。。我分别拿孤独川陵, 韩寒, Yuki和Z的博客做的试验。。成功的很。。。其中孤独川陵那里有+篇文章。。。无遗漏掉的被爬下来了。。

对PyQuery的推荐。。很遗憾的说, BueautifulSoup让我深深的失望了。。。在我写上篇文章的时候,当时有个小bug..一直找不到原因。。在我回家后,又搭上了很多时间试图去弄明白为什么BueautifulSoup一直不能抓到我想要的内容。。。后来大体看了看它selector部分的源代码觉得应该是它对于很多还有<script>tag的不规范html页面的解析不准确。。。

我放弃了这个库, 又试了lxml..基于xpath 很好用。。但是xpath的东西我老是需要查文档。。。所以我又找了个库PyQuery…可以用jQuery选择器的工具。。。非常非常非常好用。。。。具体的用法就看上面吧。。。这个库有前途。。。

隐忧 因为pyquery基于lxml…而lxml的底层又是c…所以估计在gae上用不了。。。我这个爬虫只能现在在我的电脑上爬好东西。。。然后push到server上。。。

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。。。四句号, 我爱死Python了,我爱死Django了,我爱死jQuery了,我爱死pyQuery了。。。

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

玩转python爬虫之正则表达式 面对大量杂乱的代码夹杂文字我们怎样把它提取出来整理呢?下面就开始介绍一个十分强大的工具,正则表达式!1.了解正则表达式正则表达式是对字符

标签: python爬虫爬取网页数据

本文链接地址:https://www.jiuchutong.com/biancheng/382361.html 转载请保留说明!

上一篇:Using Django with GAE Python 后台抓取多个网站的页面全文

下一篇:玩转python爬虫之cookie使用方法(python爬虫入门教程)

  • 房地产零税率
  • 企业境外参展 人员成本
  • 天然气管网输送费收费标准
  • 进口货物退货如何退税
  • 如何解除委托合同范文
  • 会计净额法和总额法
  • 企业所得税计税金额怎么算
  • 酒店怎么合理规划管理
  • 企业比赛奖品买什么好
  • 股票发行的会计分录
  • 广告制作选哪个专业好
  • 旅游业相关行业
  • 快递公司怎么结算
  • 银行扣的短信费银行给开发票吗
  • 什么情况哦
  • 外管证预缴增值税怎么抵扣
  • 财政拨款结转的借贷方向
  • 微软surfacepro3上市时间
  • 应付职工薪酬计提数是借方还是贷方
  • 修改hosts文件的软件
  • 在php中使用什么获取文件的修改时间
  • 农民专业合作社法
  • 携税宝费用可以抵扣增值税吗
  • 工程完工后的质保金怎么入账
  • 如何写php守护进程数据
  • php的laravel框架答辩
  • php 返回
  • 数据库锁面试题
  • 最强大的人工智能武器
  • yum命令详解
  • 审计招标费包含哪些内容
  • 土地增值税的扣除项目金额怎么算
  • 税前扣除项目应遵循哪些原则
  • 个体工商户个税优惠政策2023
  • 外贸出口企业的税务风险
  • 开启php
  • 银行承兑汇票到期怎么兑现
  • sobel算子 opencv
  • 企业的净资产都有哪些
  • 发票校验码被章盖住了
  • 预算外财政支出
  • 小企业会计准则调整以前年度费用分录
  • 固定资产费用化有什么影响
  • 营业税改增值税时间
  • 企业从应付职工工资中代扣的职工房租应借记什么科目
  • 外经证预缴的附加税税率
  • 进项税转出怎么交税
  • 公司注销未认证怎么处理
  • 原材料用于在建工程
  • 应交税费其他收入会计分录
  • 预提短期借款利息的会计科目
  • 加油票的发票抬头怎么写
  • 购买服装费用计入什么科目
  • 劳动纠纷给员工的建议
  • 印花税应税凭证是还是否
  • 应付利息属于经营性负债吗
  • mysql语句删除表
  • mysql5.7版本的服务的名字是
  • mysql多表内连接查询
  • mysql添加外键约束的sql语句
  • window出现问题
  • linux怎么和window系统共用
  • nvvsvc.exe是什么进程
  • win8.1技巧
  • linux自动获取校时服务器时间
  • linux补丁工具
  • 访问win10
  • red hat linux怎么用
  • grep命令用法
  • 分析师:董明珠让格力为豪赌买单
  • android环境搭建教程
  • javascript的数组可以存放任何类型
  • js基础有哪些
  • 基于JavaScript的网页代码
  • js的iframe
  • 个人所得税中途换了公司 退税
  • 云南税务局网上办税大厅登录入口官网
  • 国家税务局湖南电子税务局登录
  • 税务局打来电话
  • 电子税务局里怎么删除购票员
  • 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