Python爬虫框架Scrapy基本用法入门教程

Python  /  管理员 发布于 7年前   131

本文实例讲述了Python爬虫框架Scrapy基本用法。分享给大家供大家参考，具体如下：

Xpath

<html><head>  <title>标题</title></head><body>  <h2>二级标题</h2>  <p>爬虫1</p>  <p>爬虫2</p></body></html>

在上述html代码中，我要获取h2的内容,我们可以使用以下代码进行获取：

info = response.xpath("/html/body/h2/text()")

可以看出/html/body/h2为内容的层次结构，text()则是获取h2标签的内容。//p获取所有p标签。获取带具体属性的标签：//标签[@属性="属性值"]

<div class="hide"></div>

获取class为hide的div标签

div[@class="hide"]

再比如，我们在谷歌Chrome浏览器上的Console界面使用$x['//h2']命令获取页面中的h2元素信息：

xmlfeed模板

创建一个xmlfeed模板的爬虫

scrapy genspider -t xmlfeed abc iqianyue.com

核心代码:

from scrapy.spiders import XMLFeedSpiderclass AbcSpider(XMLFeedSpider):  name = 'abc'  start_urls = ['http://yum.iqianyue.com/weisuenbook/pyspd/part12/test.xml']  iterator = 'iternodes' # 迭代器，默认为iternodes，是一个基于正则表达式的高性能迭代器。除了iternodes,还有“html”和“xml”  itertag = 'person' # 设置从哪个节点(标签)开始迭代  # parse_node会在节点与提供的标签名相符时自动调用  def parse_node(self, response, selector):    i = {}    xpath = "/person/email/text()"    info = selector.xpath(xpath).extract()    print(info)    return i

csvfeed模板

创建一个csvfeed模板的爬虫

scrapy genspider -t csvfeed csvspider iqianyue.com

核心代码

from scrapy.spiders import CSVFeedSpiderclass CsvspiderSpider(CSVFeedSpider):  name = 'csvspider'  allowed_domains = ['iqianyue.com']  start_urls = ['http://yum.iqianyue.com/weisuenbook/pyspd/part12/mydata.csv']  # headers 主要存放csv文件中包含的用于提取字段的信息列表  headers = ['name', 'sex', 'addr', 'email']  # delimiter 字段之间的间隔  delimiter = ','  def parse_row(self, response, row):    i = {}    name = row["name"]    sex = row["sex"]    addr = row["addr"]    email = row["email"]    print(name,sex,addr,email)    #i['url'] = row['url']    #i['name'] = row['name']    #i['description'] = row['description']    return i

crawlfeed模板

创建一个crawlfeed模板的爬虫

scrapy genspider -t crawlfeed crawlspider sohu.com

核心代码

class CrawlspiderSpider(CrawlSpider):  name = 'crawlspider'  allowed_domains = ['sohu.com']  start_urls = ['http://sohu.com/']  rules = (    Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),  )  def parse_item(self, response):    i = {}    #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()    #i['name'] = response.xpath('//div[@id="name"]').extract()    #i['description'] = response.xpath('//div[@id="description"]').extract()    return i

上面代码rules部分中的LinkExtractor为连接提取器。

LinkExtractor中对应的参数及含义

参数名 参数含义
allow 提取符合正则表达式的链接
deny 不提取符合正则表达式的链接
restrict_xpaths 使用XPath表达式与allow共同作用提取同时符合对应XPath表达式和对应正则表达式的链接
allow_domains 允许提取的域名，比如我们想只提取某个域名下的链接时会用到
deny_domains 进制提取的域名

更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。


  • 上一条：
    Python退火算法在高次方程的应用
    下一条：
    利用python画出折线图

    • 昵称：

    邮箱：

    0条评论 (评论内容有缓存机制,请悉知!)
    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