scrapy 示例代码及配置文件
来源:互联网 发布:石家庄行知教育怎么样 编辑:程序博客网 时间:2024/06/06 10:48
【请初学者作为参考,不建议高手看这个浪费时间】
上一篇文章,我们抓取到了一大批代理ip,本篇文章介绍如何实现downloaderMiddleware,达到随即使用代理ip对目标网站进行抓取的。
抓取的目标网站是现在炙手可热的旅游网站 www.qunar.com, 目标信息是qunar的所有seo页面,及页面的seo相关信息。
qunar并没有一般网站具有的 robots.txt文件,所以无法利用列表进行抓取,但是,可以发现,qunar的seo页面主要部署在
http://www.qunar.com/routes/ 下,这个页面为入口文件,由此页面及此页面上所有带有routes的链接开始递归的抓取所有带有routes/字段的链接即可。
开始吧
目标信息为目标站点的seo信息,所以为head中的meta和description字段。
1 # Define here the models for your scraped items 2 # 3 # See documentation in: 4 # http://doc.scrapy.org/topics/items.html 5 6 from scrapy.item import Item, Field 7 8 class SitemapItem(Item): 9 # define the fields for your item here like:10 # name = Field()11 url = Field()12 keywords = Field()13 description = Field()
因为要使用代理ip,所以需要实现自己的downloadermiddlerware,主要功能是从代理ip文件中随即选取一个ip端口作为代理服务,代码如下
1 import random 2 3 class ProxyMiddleware(object): 4 def process_request(self, request, spider): 5 fd = open('/home/xxx/services_runenv/crawlers/sitemap/sitemap/data/proxy_list.txt','r') 6 data = fd.readlines() 7 fd.close() 8 length = len(data) 9 index = random.randint(0, length -1)10 item = data[index]11 arr = item.split(',')12 request.meta['proxy'] = 'http://%s:%s' % (arr[0],arr[1])
最重要的还是爬虫,主要功能是提取页面所有的链接,把满足条件的url实例成Request对象并yield, 同时提取页面的keywords,description信息,以item的形式yield,代码如下:
1 from scrapy.selector import HtmlXPathSelector 2 from sitemap.items import SitemapItem 3 4 import urllib 5 import simplejson 6 import exceptions 7 import pickle 8 9 class SitemapSpider(CrawlSpider):10 name = 'sitemap_spider'11 allowed_domains = ['qunar.com']12 start_urls = ['http://www.qunar.com/routes/']13 14 rules = (15 #Rule(SgmlLinkExtractor(allow=(r'http://www.qunar.com/routes/.*')), callback='parse'),16 #Rule(SgmlLinkExtractor(allow=('http:.*/routes/.*')), callback='parse'),17 )18 19 def parse(self, response):20 item = SitemapItem()21 x = HtmlXPathSelector(response)22 raw_urls = x.select("//a/@href").extract()23 urls = []24 for url in raw_urls:25 if 'routes' in url:26 if 'http' not in url:27 url = 'http://www.qunar.com' + url28 urls.append(url)29 30 for url in urls:31 yield Request(url)32 33 item['url'] = response.url.encode('UTF-8')34 arr_keywords = x.select("//meta[@name='keywords']/@content").extract()35 item['keywords'] = arr_keywords[0].encode('UTF-8')36 arr_description = x.select("//meta[@name='description']/@content").extract()37 item['description'] = arr_description[0].encode('UTF-8')38 39 yield item
pipe文件比较简单,只是把抓取到的数据存储起来,代码如下
1 # Define your item pipelines here 2 # 3 # Don't forget to add your pipeline to the ITEM_PIPELINES setting 4 # See: http://doc.scrapy.org/topics/item-pipeline.html 5 6 class SitemapPipeline(object): 7 def process_item(self, item, spider): 8 data_path = '/home/xxx/services_runenv/crawlers/sitemap/sitemap/data/output/sitemap_data.txt' 9 fd = open(data_path, 'a')10 line = str(item['url']) + '#$#' + str(item['keywords']) + '#$#' + str(item['description']) + '\n'11 fd.write(line)12 fd.close13 return item
最后附上的是setting.py文件
# Scrapy settings for sitemap project## For simplicity, this file contains only the most important settings by# default. All the other settings are documented here:## http://doc.scrapy.org/topics/settings.html#BOT_NAME = 'sitemap hello,world~!'BOT_VERSION = '1.0'SPIDER_MODULES = ['sitemap.spiders']NEWSPIDER_MODULE = 'sitemap.spiders'USER_AGENT = '%s/%s' % (BOT_NAME, BOT_VERSION)DOWNLOAD_DELAY = 0ITEM_PIPELINES = [ 'sitemap.pipelines.SitemapPipeline']DOWNLOADER_MIDDLEWARES = { 'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110, 'sitemap.middlewares.ProxyMiddleware': 100, }CONCURRENT_ITEMS = 128CONCURRENT_REQUEST = 64CONCURRENT_REQUEST_PER_DOMAIN = 64LOG_ENABLED = TrueLOG_ENCODING = 'utf-8'LOG_FILE = '/home/xxx/services_runenv/crawlers/sitemap/sitemap/log/sitemap.log'LOG_LEVEL = 'DEBUG'LOG_STDOUT = False
对scrapy的介绍将告一段落,更复杂的应用还没有接触过,想等看完redis的源码,再来研究下scrapy的源码~~ 希望通过分享能给正在入门scrapy的童鞋带来帮助~
喜欢一起简单,实用的东西,拒绝复杂花哨,我不是GEEK.
- scrapy 示例代码及配置文件
- 信号及代码示例
- Linux C代码实现读取配置文件示例
- Spring+mybatis 框架(配置文件、代码示例)
- RSA加密算法及代码示例
- 代码生成器原理及示例
- Rabbitmq 概述及代码示例
- scrapy简单示例
- 关于scrapy入门级代码tutorial示例代码无法获得item的原因
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- ASP.NET 2.0 读取配置文件[INI](示例代码下载)
- osworkflow代码结构,配置文件及初始化
- OSWorkflow代码结构,配置文件及初始化
- Android (Linux) Suspend流程
- oracle用户密码过期
- android从资源文件中读取文件流显示
- JBoss7快速入门
- JS学习3. 变量和对象总结
- scrapy 示例代码及配置文件
- struts2 用stream导出excel/word(导出内容由XML关联自定义的XSL文件构成的)
- Git协议
- Ubuntu redmine 数据库备份和恢复
- Mac上安装Rails
- 完整的PHP MYSQL数据库类
- 射频电路设计中的热量分析
- android --导入项目Unable to resolve target 'android-15'解决办法
- 产生及判断NaN及INFINITE数值