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)

  • 总资产报酬率的计算公式
  • 小规模纳税人收入是含税还是不含税
  • 往来账款怎么做
  • 通行费发票勾选认证有多少就可以抵扣多少吗
  • 记账人和复核人是一个人吗
  • 库存现金贷方为负数说明什么
  • 房地产企业拆迁补偿契税政策
  • 销售人员出差补助计入什么科目
  • 办公室低值易耗品管理员职责
  • 上个月普通发票怎么作废
  • 现金支付用什么科目
  • 企业接到银行通知,借入长期借款的应付利息为15000
  • 工程收到收据没有发票的会计分录怎么做?
  • 建筑业购买车辆怎么入账
  • 员工罚款如何入账
  • 企业员工应付未付的工资该如何写其会计分录?
  • 个人公司转让协议怎么写
  • 跨区域经营增值税所得税预缴多少
  • 待认证税额是几级科目
  • 出口退税审核系统疑点
  • 金税盘一直更新登陆不进去
  • 旅游业适用差额征税政策时如何开具发票?
  • 失控包括
  • abs应付债券
  • 验车费计入什么科目
  • 增值税降税让利给谁
  • 合伙企业对外投资
  • 对外支付和对外转账
  • 总分类账是什么的依据
  • 幼儿园会计做账实操
  • 技术入股分红怎么计算
  • 银行初级证书全称
  • php随机生成1到3的数字
  • php上传文件夹
  • PHP:pg_lo_truncate()的用法_PostgreSQL函数
  • 广告费与业务宣传费扣除给企业带来的好处
  • 委托加工物资账务怎么做
  • 生活常识 小常识
  • zend框架教程
  • 股权转让怎么做帐务处理
  • css 自定义变量
  • java泛型类和泛型方法
  • 工会经费,残保金,会计分录
  • 一个例子解释唯物辩证法三大规律
  • python怎么运行程序
  • 简述sql server
  • ant design vue2.0
  • 装修店面装修费的会计分录
  • 出售固定资产的损失计入什么科目
  • 关联企业利息费用债资比
  • CentOS 7下MySQL服务启动失败的快速解决方法
  • 以前年度损益调整会计分录
  • 怎么盘存货
  • 月末一般要结转哪些会计科目
  • 房地产购买流程
  • 印花税是如何计征的
  • 费用报销单填写标准
  • 试制流程
  • 生产型企业入库管理办法
  • 减免税款月末是否结平
  • c++ 虚数
  • mysql中关于图书馆实训题
  • centos邮件服务器
  • linux系统中的用户分为哪几类
  • 如何关掉数据
  • linux系统中
  • linux gpfs
  • 使用和启动故障的区别
  • win7怎么更改系统字体大小
  • opengl纹理贴图步骤
  • 游戏引擎有几种
  • bootstrap滚动监听效果
  • javascript获取数据
  • 在python中的用法
  • python内置数据结构有几种
  • javascript怎么学
  • js中checked什么意思啊
  • 电子税务局怎么添加银行账户信息
  • 湖北税务投诉电话
  • 沭阳税务局举报电话
  • 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