Pyspider 爬虫使用说明

来源：互联网发布：utorrent mac下载很慢编辑：程序博客网时间：2024/05/18 19:42

一、 pyspider安装

pip install pyspider

启动之后如下：

Windows系统

Linux系统

二、pyspider例子

重点参考http://blog.csdn.net/u011659379/article/details/48223385，需要注意的是其中csspath的选取，其中的css selector可参考网页http://www.w3schools.com/cssref/css_selectors.asp。

html bodydiv#container.ss-list div.main div.box div.content div.siteList ul li h3 a

将路径加上>即可，变成形如

html>body>div#container.ss-list>div.main>div.box>div.content>div.siteList>ul>li>h3>a

注意：有时候可能需要修改某些内容，如去掉(tbody)

例子：http://school.163.aoshu.com/school/249907/，获取学校网址。

FireFox浏览器抓取结果

html>body>div.wrapper.bgf>div.school>article.schoolintro>dl.clearfix>dd>table>tbody>tr:last-child>td:last-child

实际使用时候为：

table>tr:nth-child(6)>td:nth-child(2)

备注：

tbody可能是页面自动生成的,可以通过打开源代码查看，确定是否需要去掉！

源码没有<tbody>这个元素，而浏览器打开是有<tobdy >这个元素的。

源码如下：

浏览器查看结果，含有<tbody>这个元素。

代码如下：

爬取豆瓣分类数据

from pyspider.libs.base_handler import *

class Handler(BaseHandler):

crawl_config = {

}

@every(minutes=24 * 60)

def on_start(self):

self.crawl('http://movie.douban.com/tag/', callback=self.index_page)

@config(age=10 * 24 * 60 *60)

def index_page(self,response):

for each inresponse.doc('#content>div>div.article>table:nth-child(9)>tbody>tr>td>a').items():

a=each.attr.href.replace('www','movie')

self.crawl(a,callback=self.list_page)

def list_page(self,response):

#获得电影详细内容链接并交给下一个函数处理

for each inresponse.doc('td > .pl2 > a').items():

self.crawl(each.attr.href,callback=self.detail_page)

#翻页，然后继续由list_page函数处理

for each inresponse.doc('.next > a').items():

self.crawl(each.attr.href,callback=self.list_page)

def detail_page(self,response):

return {

"url": response.url,

"title":response.doc('* > * > div#wrapper >div#content > h1 > span').text(),

"rate":response.doc('.rating_num').text(),

"导演":response.doc('#info> span:nth-child(1) > span.attrs > a').text()

}

例2、爬取dir001网址的分类信息

#!/usr/bin/env python

# -*- encoding: utf-8 -*-

# Created on 2016-09-08 09:22:15

# Project: dir003

from pyspider.libs.base_handler import *

class Handler(BaseHandler):

crawl_config = {

}

@every(minutes=24 * 60)

def on_start(self):

self.crawl('http://www.dir001.com/category', callback=self.index_page)

@config(age=100 * 24 * 60 *60)

def index_page(self,response):

for each inresponse.doc('html>body>div#container.ss-category>div.main>div.box.catalogbox>div.content>dl>dd>ul>li>a').items():

self.crawl(each.attr.href,callback=self.list_page)

@config(priority=2)

def list_page(self,response):

for each inresponse.doc('html>body>div#container.ss-list>div.main>div.box>div.content>div.siteList>ul>li>h3>a').items():

self.crawl(each.attr.href,callback=self.detail_page)

for each inresponse.doc('html>body>div#container.ss-list>div.main>div.box>div.content>div.pagelink>form#pageForm>ul.yiiPager>li:last-child>a').items():

self.crawl(each.attr.href,callback=self.list_page)

def detail_page(self,response):

return {

"url":response.doc('html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p>span.site-domain').text(),#url地址

"mulu":response.doc('html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p:nth-child(3)').text(),#目录

"location":response.doc('html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p:nth-child(4)').text(),#地址

"Rank":response.doc('html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p>b.alexarank').text(),#等级

"on_clicks":response.doc('html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p>span.c_red').text(), #点击次数

"description":response.doc("html>body>div#container.site-content>div.box.contenInfo>div.content>div.contentMain>div.siteInfo>div.movieDetail>p>span.site-description").text()

}

参考文献

1. 官方参考文档http://docs.pyspider.org/en/latest/#installation

2.Python爬虫框架--pyspider初体验http://blog.csdn.net/u011659379/article/details/48223385

3.pyspider 爬虫教程

http://blog.binux.me/2015/01/pyspider-tutorial-level-1-html-and-css-selector/ HTML 和 CSS 选择器

http://blog.binux.me/2015/01/pyspider-tutorial-level-2-ajax-and-more-http/ AJAX 和 HTTP

http://blog.binux.me/2015/01/pyspider-tutorial-level-3-render-with-phantomjs/ 使用 PhantomJS 渲染带 JS 的页面

4. CSS selector 选取 http://www.w3schools.com/cssref/css_selectors.asp

0 0