侯体宗的博客
  • 首页
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

python爬虫框架talonspider简单介绍

Python  /  管理员 发布于 7年前   263

1.为什么写这个?

一些简单的页面,无需用比较大的框架来进行爬取,自己纯手写又比较麻烦

因此针对这个需求写了talonspider:

•1.针对单页面的item提取 - 具体介绍点这里
•2.spider模块 - 具体介绍点这里

2.介绍&&使用

2.1.item

这个模块是可以独立使用的,对于一些请求比较简单的网站(比如只需要get请求),单单只用这个模块就可以快速地编写出你想要的爬虫,比如(以下使用python3,python2见examples目录):

2.1.1.单页面单目标

比如要获取这个网址http://book.qidian.com/info/1004608738 的书籍信息,封面等信息,可直接这样写:

import timefrom talonspider import Item, TextField, AttrFieldfrom pprint import pprintclass TestSpider(Item):  title = TextField(css_select='.book-info>h1>em')  author = TextField(css_select='a.writer')  cover = AttrField(css_select='a#bookImg>img', attr='src')  def tal_title(self, title):    return title  def tal_cover(self, cover):    return 'http:' + coverif __name__ == '__main__':  item_data = TestSpider.get_item(url='http://book.qidian.com/info/1004608738')  pprint(item_data)

具体见qidian_details_by_item.py

2.1.1.单页面多目标

比如获取豆瓣250电影首页展示的25部电影,这一个页面有25个目标,可直接这样写:

from talonspider import Item, TextField, AttrFieldfrom pprint import pprint# 定义继承自item的爬虫类class DoubanSpider(Item):  target_item = TextField(css_select='div.item')  title = TextField(css_select='span.title')  cover = AttrField(css_select='div.pic>a>img', attr='src')  abstract = TextField(css_select='span.inq')  def tal_title(self, title):    if isinstance(title, str):      return title    else:      return ''.join([i.text.strip().replace('\xa0', '') for i in title])if __name__ == '__main__':  items_data = DoubanSpider.get_items(url='https://movie.douban.com/top250')  result = []  for item in items_data:    result.append({      'title': item.title,      'cover': item.cover,      'abstract': item.abstract,    })  pprint(result)

具体见douban_page_by_item.py

2.2.spider

当需要爬取有层次的页面时,比如爬取豆瓣250全部电影,这时候spider部分就派上了用场:

# !/usr/bin/env pythonfrom talonspider import Spider, Item, TextField, AttrField, Requestfrom talonspider.utils import get_random_user_agent# 定义继承自item的爬虫类class DoubanItem(Item):  target_item = TextField(css_select='div.item')  title = TextField(css_select='span.title')  cover = AttrField(css_select='div.pic>a>img', attr='src')  abstract = TextField(css_select='span.inq')  def tal_title(self, title):    if isinstance(title, str):      return title    else:      return ''.join([i.text.strip().replace('\xa0', '') for i in title])class DoubanSpider(Spider):  # 定义起始url,必须  start_urls = ['https://movie.douban.com/top250']  # requests配置  request_config = {    'RETRIES': 3,    'DELAY': 0,    'TIMEOUT': 20  }  # 解析函数 必须有  def parse(self, html):    # 将html转化为etree    etree = self.e_html(html)    # 提取目标值生成新的url    pages = [i.get('href') for i in etree.cssselect('.paginator>a')]    pages.insert(0, '?start=0&filter=')    headers = {      "User-Agent": get_random_user_agent()    }    for page in pages:      url = self.start_urls[0] + page      yield Request(url, request_config=self.request_config, headers=headers, callback=self.parse_item)  def parse_item(self, html):    items_data = DoubanItem.get_items(html=html)    # result = []    for item in items_data:      # result.append({      #   'title': item.title,      #   'cover': item.cover,      #   'abstract': item.abstract,      # })      # 保存      with open('douban250.txt', 'a+') as f:        f.writelines(item.title + '\n')if __name__ == '__main__':  DoubanSpider.start()

控制台:

/Users/howie/anaconda3/envs/work3/bin/python /Users/howie/Documents/programming/python/git/talonspider/examples/douban_page_by_spider.py2017-06-07 23:17:30,346 - talonspider - INFO: talonspider started2017-06-07 23:17:30,693 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top2502017-06-07 23:17:31,074 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=25&filter=2017-06-07 23:17:31,416 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=50&filter=2017-06-07 23:17:31,853 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=75&filter=2017-06-07 23:17:32,523 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=100&filter=2017-06-07 23:17:33,032 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=125&filter=2017-06-07 23:17:33,537 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=150&filter=2017-06-07 23:17:33,990 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=175&filter=2017-06-07 23:17:34,406 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=200&filter=2017-06-07 23:17:34,787 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=225&filter=2017-06-07 23:17:34,809 - talonspider - INFO: Time usage:0:00:04.462108Process finished with exit code 0

此时当前目录会生成douban250.txt,具体见douban_page_by_spider.py。

3.说明

学习之作,待完善的地方还有很多,欢迎提意见,项目地址talonspider。


  • 上一条:
    Python实现向服务器请求压缩数据及解压缩数据的方法示例
    下一条:
    python实现list元素按关键字相加减的方法示例
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在go语言中实现字符串可逆性压缩及解压缩功能(0个评论)
    • 使用go + gin + jwt + qrcode实现网站生成登录二维码在app中扫码登录功能(0个评论)
    • 在windows10中升级go版本至1.24后LiteIDE的Ctrl+左击无法跳转问题解决方案(0个评论)
    • 智能合约Solidity学习CryptoZombie第四课:僵尸作战系统(0个评论)
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客