代码地址:https://github.com/gejinnvshen/lanRenTingShuSpider
公众号:天字一等
lanRenTingShuSpider
爬取懒人听书平台书籍的书名、作者名、分类,后续还会增加爬取音频
爬虫用到的框架
:scrapy Anaconda是专注于数据分析的Python发行版本
scrapy简单入门及实例讲解:https://www.cnblogs.com/kongzhagen/p/6549053.html scrapy进阶实例:https://blog.csdn.net/z564359805/article/details/80886382
scrapy框架知识点
`1、ROBOTSTXT_OBEY = False 粗解`
[https://www.jianshu.com/p/19c1ea0d59c2](https://www.jianshu.com/p/19c1ea0d59c2)
`2、爬虫-User-Agent和代理池`
[https://www.cnblogs.com/sunxiuwen/p/10112057.html](https://www.cnblogs.com/sunxiuwen/p/10112057.html)
`3、`
scrapy项目配置文件:
scrapy.cfg:爬虫项目的配置文件。
__init__.py:爬虫项目的初始化文件,用来对项目做初始化工作。
items.py:爬虫项目的数据容器文件,用来定义要获取的数据。
1、pipelines.py:爬虫项目的管道文件,用来对items中的数据进行进一步的加工处理。 2、scrapy的pipeline是一个非常重要的模块,主要作用是将return的items写入到数据库、文件等持久化模块
settings.py:爬虫项目的设置文件,包含了爬虫项目的设置信息。
middlewares.py:爬虫项目的中间件文件,
`4`
使用anaconda prompt运行.py文件,执行scrapy crwal xx指令时,xx是.py文件中给name赋的值
使用anaconda prompt运行.py文件,执行scrapy crwal xx指令时,如果报错说少了yy modules,直接输入pip install yy执行安装包,不用在进入对应的项目目录下
5、 [https://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html?highlight=extract](https://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html?highlight=extract)
* [`xpath()`](https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/selectors.html#scrapy.selector.Selector.xpath "scrapy.selector.Selector.xpath"): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表 。
* [`css()`](https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/selectors.html#scrapy.selector.Selector.css "scrapy.selector.Selector.css"): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表.
* [`extract()`](https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/selectors.html#scrapy.selector.Selector.extract "scrapy.selector.Selector.extract"): 序列化该节点为unicode字符串并返回list。
* [`re()`](https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/selectors.html#scrapy.selector.Selector.re "scrapy.selector.Selector.re"): 根据传入的正则表达式对数据进行提取,返回unicode字符串list列表。
6、elastisearch查询语句
[https://segmentfault.com/q/1010000017553309/](https://segmentfault.com/q/1010000017553309/)
7、
#传入xpath表达式,返回该表达式所对应的所有节点的selector list列表
#extract(): 返回被选择元素的unicode字符串
8、yield
# yield的作用 这里是在爬取完一页的信息后,我们在当前页面获取到了下一页的链接,然后通过 yield 发起请求,
# 并且将 parse 自己作为回调函数来处理下一页的响应
# https://www.jianshu.com/p/7c1a084853d8
yield Request(self.lrtsUrl + next_link, callback=self.parse, headers=headers) #获取下一页,parse是回调函数来处理下一页的响应
9、meta scrapy的request的meta参数是什么意思?
[https://blog.csdn.net/master_ning/article/details/80558985](https://blog.csdn.net/master_ning/article/details/80558985)
python基础知识点:
class:#创建类 类就是一个模板,模板里可以包含多个函数,函数里实现一些功能
def:#创建类中函数
pass:pass 不做任何事情,一般用做占位语句。
if __name__ == '__main__':的作用
[https://www.cnblogs.com/kex1n/p/5975575.html](https://www.cnblogs.com/kex1n/p/5975575.html)
5、python range() 函数可创建一个整数列表,一般用在 for 循环中。
函数语法
range(start, stop[, step])
6、Python len() 方法返回对象(字符、列表、元组等)长度或项目个数。
语法
len()方法语法:
len( s )
网友评论