【百度雲搜索,搜各種資料:http://bdy.lqkweb.com】
【搜網盤,搜各種資料:http://www.swpan.cn】
編寫spiders爬蟲文件循環抓取內容
Request()方法,將指定的url地址添加到下載器下載頁面,兩個必須參數,
參數:
url='url'
callback=頁面處理函數
使用時需要yield Request()
parse.urljoin()方法,是urllib庫下的方法,是自動url拼接,如果第二個參數的url地址是相對路徑會自動與第一個參數拼接
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request #導入url返回給下載器的方法
from urllib import parse #導入urllib庫裏的parse模塊
class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com'] #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/'] #起始url
def parse(self, response):
"""
獲取列表頁的文章url地址,交給下載器
"""
#獲取當前頁文章url
lb_url = response.xpath('//a[@class="archive-title"]/@href').extract() #獲取文章列表url
for i in lb_url:
# print(parse.urljoin(response.url,i)) #urllib庫裏的parse模塊的urljoin()方法,是自動url拼接,如果第二個參數的url地址是相對路徑會自動與第一個參數拼接
yield Request(url=parse.urljoin(response.url, i), callback=self.parse_wzhang) #將循環到的文章url添加給下載器,下載後交給parse_wzhang回調函數
#獲取下一頁列表url,交給下載器,返回給parse函數循環
x_lb_url = response.xpath('//a[@class="next page-numbers"]/@href').extract() #獲取下一頁文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url[0]), callback=self.parse) #獲取到下一頁url返回給下載器,回調給parse函數循環進行
def parse_wzhang(self,response):
title = response.xpath('//div[@class="entry-header"]/h1/text()').extract() #獲取文章標題
print(title)
Request()函數在返回url時,同時可以通過meta屬性返回一個自定義字典給回調函數
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request #導入url返回給下載器的方法
from urllib import parse #導入urllib庫裏的parse模塊
from adc.items import AdcItem #導入items數據接收模塊的接收類
class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com'] #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/'] #起始url
def parse(self, response):
"""
獲取列表頁的文章url地址,交給下載器
"""
#獲取當前頁文章url
lb = response.css('div .post.floated-thumb') #獲取文章列表區塊,css選擇器
# print(lb)
for i in lb:
lb_url = i.css('.archive-title ::attr(href)').extract_first('') #獲取區塊裏文章url
# print(lb_url)
lb_img = i.css('.post-thumb img ::attr(src)').extract_first('') #獲取區塊裏文章縮略圖
# print(lb_img)
yield Request(url=parse.urljoin(response.url, lb_url), meta={'lb_img':parse.urljoin(response.url, lb_img)}, callback=self.parse_wzhang) #將循環到的文章url添加給下載器,下載後交給parse_wzhang回調函數
#獲取下一頁列表url,交給下載器,返回給parse函數循環
x_lb_url = response.css('.next.page-numbers ::attr(href)').extract_first('') #獲取下一頁文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url), callback=self.parse) #獲取到下一頁url返回給下載器,回調給parse函數循環進行
def parse_wzhang(self,response):
title = response.css('.entry-header h1 ::text').extract() #獲取文章標題
# print(title)
tp_img = response.meta.get('lb_img', '') #接收meta傳過來的值,用get獲取防止出錯
# print(tp_img)
shjjsh = AdcItem() #實例化數據接收類
shjjsh['title'] = title #將數據傳輸給items接收模塊的指定類
shjjsh['img'] = tp_img
yield shjjsh #將接收對象返回給pipelines.py處理模塊
- *
Scrapy內置圖片下載器使用
Scrapy給我們內置了一個圖片下載器在crapy.pipelines.images.ImagesPipeline,專門用於將爬蟲抓取到圖片url後將圖片下載到本地
第一步、爬蟲抓取圖片URL地址後,填充到 items.py文件的容器函數
爬蟲文件
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request #導入url返回給下載器的方法
from urllib import parse #導入urllib庫裏的parse模塊
from adc.items import AdcItem #導入items數據接收模塊的接收類
class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com'] #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/'] #起始url
def parse(self, response):
"""
獲取列表頁的文章url地址,交給下載器
"""
#獲取當前頁文章url
lb = response.css('div .post.floated-thumb') #獲取文章列表區塊,css選擇器
# print(lb)
for i in lb:
lb_url = i.css('.archive-title ::attr(href)').extract_first('') #獲取區塊裏文章url
# print(lb_url)
lb_img = i.css('.post-thumb img ::attr(src)').extract_first('') #獲取區塊裏文章縮略圖
# print(lb_img)
yield Request(url=parse.urljoin(response.url, lb_url), meta={'lb_img':parse.urljoin(response.url, lb_img)}, callback=self.parse_wzhang) #將循環到的文章url添加給下載器,下載後交給parse_wzhang回調函數
#獲取下一頁列表url,交給下載器,返回給parse函數循環
x_lb_url = response.css('.next.page-numbers ::attr(href)').extract_first('') #獲取下一頁文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url), callback=self.parse) #獲取到下一頁url返回給下載器,回調給parse函數循環進行
def parse_wzhang(self,response):
title = response.css('.entry-header h1 ::text').extract() #獲取文章標題
# print(title)
tp_img = response.meta.get('lb_img', '') #接收meta傳過來的值,用get獲取防止出錯
# print(tp_img)
shjjsh = AdcItem() #實例化數據接收類
shjjsh['title'] = title #將數據傳輸給items接收模塊的指定類
shjjsh['img'] = [tp_img]
yield shjjsh #將接收對象返回給pipelines.py處理模塊
第二步、設置 items.py 文件的容器函數,接收爬蟲獲取到的數據填充
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
#items.py,文件是專門用於,接收爬蟲獲取到的數據信息的,就相當於是容器文件
class AdcItem(scrapy.Item): #設置爬蟲獲取到的信息容器類
title = scrapy.Field() #接收爬蟲獲取到的title信息
img = scrapy.Field() #接收縮略圖
img_tplj = scrapy.Field() #圖片保存路徑
第三步、在pipelines.py使用crapy內置的圖片下載器
1、首先引入內置圖片下載器
2、自定義一個圖片下載內,繼承crapy內置的ImagesPipeline圖片下載器類
3、使用ImagesPipeline類裏的item_completed()方法獲取到圖片下載後的保存路徑
4、在settings.py設置文件裏,註冊自定義圖片下載器類,和設置圖片保存路徑
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy.pipelines.images import ImagesPipeline #導入圖片下載器模塊
class AdcPipeline(object): #定義數據處理類,必須繼承object
def process_item(self, item, spider): #process_item(item)爲數據處理函數,接收一個item,item裏就是爬蟲最後yield item 來的數據對象
print('文章標題是:' + item['title'][0])
print('文章縮略圖url是:' + item['img'][0])
print('文章縮略圖保存路徑是:' + item['img_tplj']) #接收圖片下載器填充的,圖片下載後的路徑
return item
class imgPipeline(ImagesPipeline): #自定義一個圖片下載內,繼承crapy內置的ImagesPipeline圖片下載器類
def item_completed(self, results, item, info): #使用ImagesPipeline類裏的item_completed()方法獲取到圖片下載後的保存路徑
for ok, value in results:
img_lj = value['path'] #接收圖片保存路徑
# print(ok)
item['img_tplj'] = img_lj #將圖片保存路徑填充到items.py裏的字段裏
return item #將item給items.py 文件的容器函數
#注意:自定義圖片下載器設置好後,需要在
在settings.py設置文件裏,註冊自定義圖片下載器類,和設置圖片保存路徑
IMAGES_URLS_FIELD 設置要下載圖片的url地址,一般設置的items.py裏接收的字段
IMAGES_STORE 設置圖片保存路徑
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'adc.pipelines.AdcPipeline': 300, #註冊adc.pipelines.AdcPipeline類,後面一個數字參數表示執行等級,
'adc.pipelines.imgPipeline': 1, #註冊自定義圖片下載器,數值越小,越優先執行
}
IMAGES_URLS_FIELD = 'img' #設置要下載圖片的url字段,就是圖片在items.py裏的字段裏
lujin = os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE = os.path.join(lujin, 'img') #設置圖片保存路徑
【轉載自:http://www.lqkweb.com】