首页 > 编程语言 > 详细

python爬虫框架scrapy初试(二)

时间:2016-12-23 01:11:14      阅读:171      评论:0      收藏:0      [点我收藏+]

将该导航网站搜索出结果的页面http://www.dmoz.org/Computers/Programming/Languages/Python/Books/里面标题,及标题的超链接和描述爬下来。

技术分享

 

 

使用scrapy抓取一个网站一共需要四个步骤。

---创建一个scrapy项目

---定义item容器

---编写爬虫

---储存内容

 

1.新建一个项目

scrapy startproject demoscrapy

技术分享

2.定义item容器(定义要爬取的内容)

技术分享

3.编写爬虫(这里以官网的教程为例子)

技术分享

 

import scrapyclass Dmos_spider(scrapy.Spider):
    name = dmoz‘        #爬虫的名字
    allowed_domains = [dmoz.org]        #爬虫允许域名范围
    start_urls = [
        http://www.dmoz.org/Computers/Programming/Languages/Python/Books/,        #爬取的页面
        http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/
        ]

 

4.储存内容

 

 

import scrapy
from demoscrapy.items import DemoscrapyItem
class Dmos_spider(scrapy.Spider):
    name = dmoz
    allowed_domains = [dmoz.org]
    start_urls = [
        http://www.dmoz.org/Computers/Programming/Languages/Python/Books/,
        http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/
        ]
    def parse(self,response):    #处理爬去结果
        sel = scrapy.selector.Selector(response)  
        items = []
        sites = sel.xpath(//*[@id="site-list-content"]/div/div[3])    #通过xpath处理页面节点
        for site in sites:
            item = DemoscrapyItem()

            item[title] = site.xpath(a/div/text()).extract()
            item[link] = site.xpath(a/@href).extract()
            item[desc] = site.xpath(div/text()).extract()
            items.append(item)
        return  items

 

 

 

scrapy crawl dmoz -o items.json -t json 

-o 输出文件 -t 以json格式储存

技术分享

 

注*在存储的时候,要通过xpath抓取想要的数据。

google浏览器有xpath插件可以安装下。

更详细的xpath教程

http://www.w3school.com.cn/xpath/index.asp

 

python爬虫框架scrapy初试(二)

原文:http://www.cnblogs.com/cui0x01/p/6211982.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!