我的电脑显示陕西信合个人网银网银正在运行但没有登录窗口
点击联系发帖人
时间：2017-11-10 18:52
下载数据挖掘、机器学习更多资料在文章底部Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。 Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下： Scrapy主要包括了以下组件：引擎：用来处理整个系统的数据流处理，触发事务。调度器：用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。下载器：用于下载网页内容，并将网页内容返回给蜘蛛。蜘蛛：蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。项目管道：负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。下载器中间件：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。蜘蛛中间件：介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。调度中间件：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。 使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。Scrapy Tutorial 在本文中，假定您已经安装好Scrapy。 如若不然，请参考 Installation guide。 接下来以爬取饮水思源BBS数据为例来讲述爬取过程，详见 bbsdmoz代码。 本篇教程中将带您完成下列任务：1. 创建一个Scrapy项目2. 定义提取的Item3. 编写爬取网站的 spider 并提取 Item4. 编写 Item Pipeline 来存储提取到的Item(即数据) Scrapy由Python编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情， 对于已经熟悉其他语言并且想快速学习Python的编程老手， 我们推荐 Learn Python The Hard Way ， 对于想从Python开始学习的编程新手， 非程序员的Python学习资料列表 将是您的选择。Creating a project 在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令：1scrapy startproject bbsdmoz 该命令将会创建包含下列内容的 bbsDmoz 目录：bbsDmoz/
scrapy.cfg
__init__.py
pipelines.py
settings.py
__init__.py
... 这些文件分别是：scrapy.cfg: 项目的配置文件bbsDmoz/: 该项目的python模块。之后您将在此加入代码。bbsDmoz/items.py: 项目中的item文件.bbsDmoz/pipelines.py: 项目中的pipelines文件.bbsDmoz/settings.py: 项目的设置文件.bbsDmoz/spiders/: 放置spider代码的目录.Defining our Item Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。 类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item。(如果不了解ORM,不用担心，您会发现这个步骤非常简单) 首先根据需要从bbs网站获取到的数据对item进行建模。 我们需要从中获取url，发帖板块，发帖人，以及帖子的内容。 对此，在item中定义相应的字段。编辑 bbsDmoz 目录中的 items.py 文件：123456789101112from scrapy.item import Item, FieldclassBbsDmozItem(Item):url
= Field()forum = Field()poster = Field()content = Field() 一开始这看起来可能有点复杂，但是通过定义item， 您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。Our first Spider Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。 其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容， 提取生成 item 的方法。创建一个Spider 为了创建一个Spider，保存在 bbsDmoz/spiders，您必须继承 scrapy.Spider 类，且定义以下三个属性:name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。parse() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。Selectors选择器 从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制： Scrapy Selectors。 关于selector和其他提取机制的信息请参考 Selector文档 。 我们使用XPath来从页面的HTML源码中选择需要提取的数据。这里给出XPath表达式的例子及对应的含义:/html/head/title: 选择HTML文档中 &head& 标签内的 &title& 元素/html/head/title/text(): 选择上面提到的 &title& 元素的文字//td: 选择所有的 &td& 元素//div[@class=&mine&]: 选择所有具有 class=&mine& 属性的 div 元素 以饮水思源BBS一页面为例：https://bbs./bbstcon?board=PhD&reid=&file=M..A 观察HTML页面源码并创建我们需要的数据(种子名字，描述和大小)的XPath表达式。 通过观察，我们可以发现poster是包含在 pre/a 标签中的，这里是userid=jasperstream:123...&[href='bbspst?board=PhD&file=M..A'&回复本文&][href='bbscon?board=PhD&file=M..A'&原帖&] 发信人: href=&bbsqry?userid=jasperstream&&jasperstream& 因此可以提取jasperstream的 XPath 表达式为：1'//pre/a/text()' 同理我可以提取其他内容的XPath，并最好在提取之后验证其正确性。上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。 如果您想了解的更多，我们推荐 这篇XPath教程。 为了配合XPath，Scrapy除了提供了 Selector 之外，还提供了方法来避免每次从response中提取数据时生成selector的麻烦。 Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):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(): 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(): 序列化该节点为unicode字符串并返回list。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。 如提取上述的poster的数据：1sel.xpath('//pre/a/text()').extract()使用Item Item 对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)。一般来说，Spider将会将爬取到的数据以 Item 对象返回。 Spider代码 以下为我们的第一个Spider代码，保存在 bbsDmoz/spiders 目录下的 forumSpider.py 文件中：1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950'''bbsSpider, Created on Oct, 2014#version: 1.0#author: chenqx @See more: http://doc.scrapy.org/en/latest/index.html'''from scrapy.selector import Selectorfrom scrapy.http import
Requestfrom scrapy.contrib.spiders import CrawlSpiderfrom scrapy.contrib.loader import ItemLoaderfrom scrapy.contrib.linkextractors.sgml import SgmlLinkExtractorfrom bbs.items import BbsItemclassforumSpider(CrawlSpider):name = 'bbsSpider'allow_domain = ['bbs.']start_urls = [ 'https://bbs./bbsall' ]link_extractor = {'page':
SgmlLinkExtractor(allow = '/bbsdoc,board,\w+\.html$'),'page_down':
SgmlLinkExtractor(allow = '/bbsdoc,board,\w+,page,\d+\.html$'),'content':
SgmlLinkExtractor(allow = '/bbscon,board,\w+,file,M\.\d+\.A\.html$'),}_x_query = {'page_content':
'//pre/text()[2]','poster'
'//pre/a/text()','forum'
'//center/text()[2]',}defparse(self, response):for link in self.link_extractor['page'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)defparse_page(self, response):for link in self.link_extractor['page_down'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)for link in self.link_extractor['content'].extract_links(response):yield Request(url = link.url, callback=self.parse_content)defparse_content(self, response):bbsItem_loader = ItemLoader(item=BbsItem(), response = response)url = str(response.url)bbsItem_loader.add_value('url', url)bbsItem_loader.add_xpath('forum', self._x_query['forum'])bbsItem_loader.add_xpath('poster', self._x_query['poster'])bbsItem_loader.add_xpath('content', self._x_query['page_content'])return bbsItem_loader.load_item()Define Item Pipeline 当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。 每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。 以下是item pipeline的一些典型应用：清理HTML数据验证爬取的数据(检查item包含某些字段)查重(并丢弃)将爬取结果保存，如保存到数据库、XML、JSON等文件中编写 Item Pipeline 编写你自己的item pipeline很简单，每个item pipeline组件是一个独立的Python类，同时必须实现以下方法: process_item(item, spider)
每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象，或是抛出 DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理。
参数：item (Item object) – 由 parse 方法返回的 Item 对象
spider (Spider object) – 抓取到这个 Item 对象对应的爬虫对象 此外,他们也可以实现以下方法：open_spider(spider)
当spider被开启时，这个方法被调用。
参数: spider (Spider object) – 被开启的spider
close_spider(spider)
当spider被关闭时，这个方法被调用，可以再爬虫关闭后进行相应的数据处理。
参数: spider (Spider object) – 被关闭的spider 本文爬虫的item pipeline如下，保存为XML文件：12345678910111213141516171819202122232425262728293031from scrapy import signalsfrom scrapy import logfrom bbsDmoz.items import BbsDmozItemfrom twisted.enterprise import adbapifrom scrapy.contrib.exporter import XmlItemExporterfrom dataProcess import dataProcessclassXmlWritePipeline(object):def__init__(self):pass@classmethod<span class="function" style="-webkit-margin-before:
数据挖掘DW(datadw)
文章为作者独立观点，不代表大不六文章网立场
datadw数据资源帝，致力于源源不断的资料提供。涵盖数据分析/数据挖掘，机器学习，R/Python编程，算法原理与案例，大数据，分享专家经验或观点，能为你解决数据研究相关学习、工作问题！热门文章最新文章datadw数据资源帝，致力于源源不断的资料提供。涵盖数据分析/数据挖掘，机器学习，R/Python编程，算法原理与案例，大数据，分享专家经验或观点，能为你解决数据研究相关学习、工作问题！&&&&违法和不良信息举报电话：183-
举报邮箱：Copyright(C)2017 大不六文章网使用Scrapy爬取大规模数据 - 简书
使用Scrapy爬取大规模数据
系统学习了解Python爬虫有20天时间了，做了一些爬虫小实验，如：
爬取51JOB岗位要求及信息 ；
Python模拟登录爬取QQ群论坛数据，，;
用Scrapy爬取找到简书签约作者，；
工作中爬取优酷视频，爬取筛选赶集、58简历库。
但是以上爬取的数据量都不大，最多的有一千多数条数据。于是想做一次大数据量的爬取。选择的数据源是简书用户，使用的是Scrapy框架。同时也想对简书的用户做一个数据分析。
要爬取大量数据，使用Scrapy要考虑的是新的url在哪里产生，解析的方法如何循环调用，也就是爬取的深度和广度。在Scrapy官方文档上的案例过于简单，实现的过程遇到不少问题，如scrapy中的方法如何调度，如何返回，循环中如何去抓取需要的另一个字段，再如何返回等等， 有些可能是我思维的局限，问题先记下，一步步解决。
一、考虑爬虫从哪里入口？
简书的用户id不是一个自增的序列数，无法使用一个循环就可以跑下所有用户。一开始我是想从一篇热门文章的阅读数或者喜欢数开始抓取用户，热门文章的阅读数能达到6W+，喜欢数在6～7K。但下一步数据再怎么爬，没有想好，阅读和喜欢的用户都是最普通用户，他们的关注和粉丝很少，而且阅读用户是Ajax数据。还有一个问题，数据如何去重。
后来，我再看上次爬取的简书签约作者时，发现有8个签约作者粉丝都超过1W，彭小六粉丝近3W。于是就觉得从这里作为入口，会是一个比较好的方案，简单易行，使用几个不多的url作为待爬取的入口，便可以抓取到大量的数据。最后我选择几个入口用户是，简书、彭小六、剽悍一只猫、入江之鲸、陶瓷兔子5个用户url，爬取他们的粉丝用户信息。
没有把所有签约作者url一起列为入口，是因为我现在数据存为csv格式，考虑可能超过65535行。后来我看了一下，特征用户还可以包括简叔，简书首席拒稿官。
要爬取的用户信息：
class JsuserItem(Item):
nickname = Field()
subscriptions = Field() # 用户关注数
fans = Field() #粉丝数
url = Field()
#用户首页url
articles = Field()
#写的文章数
words = Field() #写作的字数
likes = Field()
#收到的喜欢数
comments = Field()
# 发表的评论数，这个数据跳到另外url，还要做分页处理，这次没有做。
regtime = Field()
# 与评论数一样，下次再爬取
collected = Field()
二、如何使用Scrapy循环爬取数据
在上一篇文章中数据提交，获取新的url，url规则没有变，抓取的页面结构没有变，所以都是在parse()中实现。这次不一样。
1、列出start_urls， parse()方法会自动从这个待爬取的url列表依次执行。2、每一个用户的粉丝是分页加载的。所以需要一个方法获取粉丝分页url，分页页面每一行数据显示了一个用户文章数、字数、喜欢数、粉丝数，不需要进入到用户首页。
要获得用户注册时间，第一篇文章发表时间，发表过多少评论，是需要进到用户首页的，这也是下一步抓取要解决的。
在parse()方法中，我的目标就是拿到所有分页url，parse_item()中解析出用户信息并提交。在parse()方法中循环调用parse_item()。把所有特征用户的粉丝数据都抓取出来。
注意：1）在构造分页url时，查看到一个参数“_=”后面是一串数字，在浏览器中验证去掉又不行，猜测是时间戳。就用time构造出一个，测试正确。
2）在scrapy中方法调用，采用回调的方式。
for i in range(1, pages + 1):
nurl = response.url + '?_' + str(t) + '&page=' + str(i)
#构造出分页的url
yield Request(nurl, callback=self.parse_item)
看一下爬取到的数据：
到了65535行！
把数据导入数说立方，去重后的条数为64714条，重复率为1.2%，可见用户在粉以上几个签约作者时重合度并不高。
90.8%用户写了7篇文章，68.9%用户没有发表过文章
你坚持写7篇就超过90%的用户。更多数据分析，另外写一篇来解读。下一步的学习放在mongodb，redis上，练习10W+级别的数据爬取，以及Scrapy处理复杂的流程和性能优化。
抓住了，生命开始加速！比特之理 & Scrapy抓取豆瓣相册(学习笔记)|とある東雲研究所の分所
とある東雲研究所の分所
& Scrapy抓取豆瓣相册(学习笔记)
Scrapy抓取豆瓣相册(学习笔记)
情况是这样子的，因为前两天NHK的晨间剧《海女》完结了嘛，加之之前写的时候说过到时要为海女专门写一篇的，于是乎，我下午就开始写啦，我写这种文章的时候总免不了去找图，然后在那里就看到了很多好图，尤其是能年犬的，所以就想把图片全部下下来，然后轮流当桌面，但是一看下面，狗眼瞎了，1500+张，于是，按照我的性格，果断就把《海女》的博文扔一边了，跑去研究怎么全部下下来好了。。。所以呢~海女的博文，我过几天再写吧。。。
前阵子一直在自学python，其实为了就是搞python(x,y)而已，而且没有搬砖需求，纯属自娱自乐。。我一开始就知道python很适合爬虫的，而且scrapy我“觊觎”很久了，准备学会python就狠狠搞一下！！今天是个机会，反正python学了好一部分了，所以就开始搞爬虫，几个小时下来，总算尼马把目的达成了！！
这里做一下笔记吧~反正今后会时不时发神经去网上“爬”一下的。。。。首先是安装scrapy，安装scrapy你需要准备好多好多东西，嗯，真的很麻烦。。
一，首先是python，还是比较推荐2.7吧，虽然我实验室的电脑不知道为什么2.7就是用不了。。。怎么安装请上网查吧，我是因为装了pythonxy,所以我就可以略过这一步了~
二，然后是安装Twisted【Twisted is an event-driven networking engine written in Python and licensed under the open source】，其中这个又分3步，所以说麻烦啊！！
安装setuptools：下载地址
安装Zope.Interface：下载地址，下载完成后将其拷贝到XXXPython27Scripts目录下，在cmd里面cd到这个目录后，运行：
easy_install.exe zope.interface-4.0.1-py2.7-win32.egg
安装Twisted：下载地址，点击安装即可。
三，接下来是安装w3lib，下载地址，下载后解压，然后cmd进入到w3lib-1.2目录下，运行：
python setup.py install
四，下一步安装libxml2，下载地址，神烦吧！点击安装即可。
五，别急。。下一步。。安装pyOpenSSL，下载地址，还是点击安装。
六，最后一步，主角，Scrapy,下载地址，解压后cmd进入目录Scrapy-0.14.4，运行：
python setup.py install
好，战斗第一步，结束！
然后我下面简单说一下今天的学习笔记！
首先，我们需要建立一个scrapy的工程，所以在cmd下，cd到你喜欢的目录里面，运行
scrapy startproject
doubanImage
这样子我们就多了一个叫做doubanImage的文件夹，下面就是我们的工程文件了，主要关心的文件有这两个：
doubanImagedoubanImageitems.py:项目items文件
doubanImagedoubanImagespiders:爬虫代码文件夹
其他的先别管，然后我们在spiders下面建立一个py文件，假设叫douban.py，写入代码如下：
from scrapy.spider import BaseSpider
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
start_urls = [
&/subject//photos?type=S&
def parse(self, response):
filename = 'hainv.txt'
open(filename, 'wb').write(response.body)
然后在cmd里面运行，运行方式如下：scrapy crawl douban
第三个参数douban就是类里面的变量name，
代码里面，start_urls就是你要开始爬虫的其实网址，不一定只有一个。
parse是爬虫的回调函数，在这个代码里面，我们创建了一个叫做hainv.txt的文件夹，运行之后里面将会有这个地址页面的源代码，也就是你在浏览器那个页面下，右键→源文件，所看到的那些。
但是整个页面的代码其实并不是我们想要的，我们想要的是一个html树结构的那种东西，或者说，树结构也不是我们想要的，我们想要的是类似数据库一样，我告诉你我想要什么标签的信息，你就返回什么标签的信息；
还是《海女》相册页面为例，我们查看源文件，可以看到我们感兴趣的照片都是这样一个标签下的：
&ul class=&poster-col4 clearfix&
&li data-id=&&&
&div class=&cover&&
&a href=&/photos/photo//&&
&img src=&/view/photo/thumb/public/p.jpg& /&
&div class=&prop&&
&div class=&name&&
&a href=&/photos/photo//#comments&&2回应&/a&
...........
像/photos/photo// 就是每张单独的照片的连接页面了，而/view/photo/thumb/public/p.jpg 则是缩略图的照片的地址
于是乎，我们要找的照片其实就是ul下的li下的div下的a下面的img了！！要怎么得到这个东西呢？为了方便调试，一般不会直接在代码里面调试，我们可以开一个内建的一个Scrapy shell，这样我们就像运行matlab脚本一样随写随测试，方法呢，就是在cmd里面运行：
scrapy shell 地址
我们这里自然运行的是：
scrapy shell /subject//photos?type=S
然后你就会发现进入了一个类似Ipython的界面了，要怎么获得我们刚刚上面描述的那个东西呢？输入：
hxs.select('//ul/li/div/a/@href').extract()
其实就是告诉scrapy我要ul下面的li下面的div下面的a下面的链接，但是返回来是什么呢？
[u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',...................
除了我们要的地址外，还有很多#comments，就是每张照片下面评论的链接啦~再看看我们上面的那个页面的源代码，可以发现，确实，我们刚刚输入的规则确实应该得到comment的连接，但是我们不想要这些？怎么办呢？观察一下上面，我们发现图片的地址的div里面class是‘cover’，而评论的class是‘name’，这就是区分的准则了！！代码如下：
hxs.select("//ul/li/div[@class='cover']/a/@href").extract()
这样返回来的全部都是图片页面的地址了，再也没有comments了。
如果想直接获得缩略图的链接呢？
hxs.select("//ul/li/div[@class='cover']/a/img/@src").extract()
这样返回来的就是：
[u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
。。。。。。。。
接下来我原本的计划是，通过爬虫图片的页面地址，然后继续解析那个页面的源文件，找到图片的链接，但是我进去后就发现我太甜了，比如说这个页面，/photos/photo//，你进去就会发现没有直接的jpg的地址，那些图片的地址都是用JS函数计算出来的，虽然不算是加密，但是比较麻烦，但是在那个页面右键图片，属性，可以看到图片的URL，而且对比一下就会发现，如果缩略图的URL是：
/view/photo/thumb/public/p.jpg
那么这个图片的URL就是
/view/photo/photo/public/p.jpg
然后我们点击图片左下角的查看原图，就会发现，图片的链接是：
/view/photo/raw/public/p.jpg
区别显而易见，所以为了图个方便，我们只要向上面一样解析出缩略图thumb的地址，就可以直接用一个replace函数获得原始图片的地址了，嗯，简单。
我们计划要把所有图片的地址写到douban.txt里面，然后直接贴到迅雷里面，就可以下载了，那么代码就变成这个了：
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
filename = 'douban.txt'
f = open(filename, 'wb')
start_urls = [&/subject//photos?type=S&]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div/a/img/@src').extract()
for site in sites:
site = site.replace('thumb','raw')
self.f.write(site)
self.f.write('rn')
这样我们就可以完成了第二步了！！
上面的步骤我们只是保存了第一页的图片，豆瓣设定一页40张，所以我们只得到了40张，要得到下面的怎么办呢？简单，获得下一页的地址不就行了咯~
继续看豆瓣海女相册第一页页面的源代码，在下面找到：
&div class=&paginator&&
&span class=&prev&&
&span class=&thispage&&1&/span&
&a href=&/subject//photos?type=S&start=40&sortby=vote&size=a&subtype=a& &2&/a&
&a href=&/subject//photos?type=S&start=80&sortby=vote&size=a&subtype=a& &3&/a&
&a href=&/subject//photos?type=S&start=120&sortby=vote&size=a&subtype=a& &4&/a&
&a href=&/subject//photos?type=S&start=160&sortby=vote&size=a&subtype=a& &5&/a&
&a href=&/subject//photos?type=S&start=200&sortby=vote&size=a&subtype=a& &6&/a&
很明显，从上面我们不仅可以很轻易的定位出我们要跳转的那一页的地址，还可以知道当前是第几页，每个地址对应第几页这些信息，比如：
hxs.select("//div[@class='paginator']/a/@href").extract()
上面这行语句就可以获得所有的页面的链接的跳转地址
hxs.select("//div[@class='paginator']/a/text()").extract()
上面这行语句就可以获得对应的页码。
虽然一开始思路是这样子，但是我后来想想还是算了，于是我就想到了另一个比较猥琐的方法。。。就是观察每一页的地址，可以发现。。。。很有规律性的。。。start=0,40,80,120...于是乎，一个简单无比的代码就出来了，见文章最后面。因为这里还有一个东西要说一下，就是Item那个文件。
某一个页面分析完，不一定像我这种只想要图片地址的，比如说可能有人还想要每张图片的评论，所以呢，就有了Item这个文件，对于编辑items.py这个文件，每添加一个项，就是用XXX=Filed()就可以了。
向我们这里，就是：
# Define here the models for your scraped items
# See documentation in:
# http://doc.scrapy.org/topics/items.html
from scrapy.item import Item, Field
class DoubanimageItem(Item):
# define the fields for your item here like:
# name = Field()
ImageAddress = Field()
这样，就可以对他进行保存了。
所以我最后的代码就是：
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from doubanImage.items import DoubanimageItem
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
start_urls = [];
f = open('douban.txt', 'wb')
for i in range(0,1560,40):
start_urls.append('/subject//photos?type=S&start=%d&sortby=vote&size=a&subtype=a'%i)
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div/a/img/@src').extract()
items = []
for site in sites:
site = site.replace('thumb','raw')
self.f.write(site)
self.f.write('\r\n')
item = DoubanimageItem()
item['ImageAddress'] = site
items.append(item)
return items
正所谓短小精悍，是吧~
但是跑完程序要怎么得到刚刚保存的item的值呢？运行的时候只要用以下参数即可：
scrapy crawl douban -o image.json -t json
这样运行完你就会看到一个image.json文件，东西就保存在那里面！！
第一，上面那个东西只是我学了一下午得到的东西的整理，入门到不能再入门。
第二，话说，我发现用迅雷下载图片的时候，最好开单个文件下载，不然豆瓣那边会拒绝。
第三，我最后发现，我自己写一个现在图片的代码要比迅雷快很多，不知为何。。迅雷自己200张下了半个多小时，我1500+张十分钟不用就下完了。。估计豆瓣那边对迅雷这种多线程有封锁吧。。这里给一下读取图片链接下载图片的小代码。。也是scrapy的。。
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class DownloadImg(BaseSpider):
name = &readimg&
allowed_domains = [&&]
start_urls = [];
f = open(&F:\\readimg\\douban.txt&,'r')
line = f.readline()
while(line):
start_urls.append(line)
line = f.readline()
counter = 0;
def parse(self, response):
str = response.url[0:-3];
self.counter = self.counter+1
str = str.split('/');
print '--------------------------------DownLoad Finished',self.counter,str[-1]
imgfile = open(str[-1],'wb')
imgfile.write(response.body)
以上！【哎呀妈呀，总算写完了。。。海女的还是再等几天好了。。】
本文内容遵从CC版权协议，转载请注明出自
我勒个去。。太久没打理网站，Wordpress版本太低，被黑了都不知道。。。感谢白帽子。。
Categories
► (22)
► (2)
► (5)
► (4)
► (6)
► (28)
► (2)
► (1)
► (12)
► (3)
► (1)
► (2)
► (6)
▼ (48)
► (10)
► (11)
► (4)
► (9)
► (5)
▼ (5)
► (2)
► (1)
► (1)
► (34)
► (16)
► (2)
► (41)
► (7)
► (5)
► (3)
► (6)
► (4)
► (2)
► (10)
► (20)
► (14)
► (4)
collapsItems['collapsCat-150:2'] = '';
collapsItems['collapsCat-160:2'] = '';
collapsItems['collapsCat-154:2'] = '';
collapsItems['collapsCat-159:2'] = '';
collapsItems['collapsCat-2:2'] = '► (4)
► (2)
► (5)
► (4)
► (6)
collapsItems['collapsCat-98:2'] = '';
collapsItems['collapsCat-131:2'] = '';
collapsItems['collapsCat-164:2'] = '';
collapsItems['collapsCat-96:2'] = '';
collapsItems['collapsCat-163:2'] = '';
collapsItems['collapsCat-122:2'] = '';
collapsItems['collapsCat-97:2'] = '';
collapsItems['collapsCat-157:2'] = '';
collapsItems['collapsCat-3:2'] = '► (1)
► (2)
► (1)
► (12)
► (3)
► (1)
► (2)
► (6)
collapsItems['collapsCat-144:2'] = '';
collapsItems['collapsCat-151:2'] = '';
collapsItems['collapsCat-147:2'] = '';
collapsItems['collapsCat-152:2'] = '';
collapsItems['collapsCat-149:2'] = '';
collapsItems['collapsCat-106:2'] = '';
collapsItems['collapsCat-127:2'] = '';
collapsItems['collapsCat-155:2'] = '';
collapsItems['collapsCat-99:2'] = '';
collapsItems['collapsCat-4:2'] = '► (10)
► (11)
► (4)
► (9)
► (5)
▼ (5)
► (2)
► (1)
► (1)
collapsItems['collapsCat-95:2'] = '';
collapsItems['collapsCat-103:2'] = '';
collapsItems['collapsCat-94:2'] = '';
collapsItems['collapsCat-5:2'] = '► (16)
► (16)
► (2)
collapsItems['collapsCat-153:2'] = '';
collapsItems['collapsCat-120:2'] = '';
collapsItems['collapsCat-162:2'] = '';
collapsItems['collapsCat-104:2'] = '';
collapsItems['collapsCat-148:2'] = '';
collapsItems['collapsCat-139:2'] = '';
collapsItems['collapsCat-121:2'] = '';
collapsItems['collapsCat-100:2'] = '';
collapsItems['collapsCat-6:2'] = '► (3)
► (7)
► (5)
► (3)
► (6)
► (4)
► (2)
► (10)
collapsItems['collapsCat-102:2'] = '';
collapsItems['collapsCat-145:2'] = '';
collapsItems['collapsCat-101:2'] = '';
collapsItems['collapsCat-7:2'] = '► (2)
► (14)
► (4)
Collapse Functions, version 2.0
*--------------------------------------------------------------------------*/
String.prototype.trim = function() {
return this.replace(/^\s+|\s+$/g,"");
function createCookie(name,value,days) {
if (days) {
var date = new Date();
date.setTime(date.getTime()+(days*24*60*60*1000));
var expires = "; expires="+date.toGMTString();
var expires = "";
document.cookie = name+"="+value+expires+"; path=/";
function readCookie(name) {
var nameEQ = name + "=";
var ca = document.cookie.split(';');
for(var i=0;i
本博客所有作品遵从CC版权协议，采用进行许可。}
scrapy.cfg
__init__.py
pipelines.py
settings.py
__init__.py
... 这些文件分别是：scrapy.cfg: 项目的配置文件bbsDmoz/: 该项目的python模块。之后您将在此加入代码。bbsDmoz/items.py: 项目中的item文件.bbsDmoz/pipelines.py: 项目中的pipelines文件.bbsDmoz/settings.py: 项目的设置文件.bbsDmoz/spiders/: 放置spider代码的目录.Defining our Item Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。 类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item。(如果不了解ORM,不用担心，您会发现这个步骤非常简单) 首先根据需要从bbs网站获取到的数据对item进行建模。 我们需要从中获取url，发帖板块，发帖人，以及帖子的内容。 对此，在item中定义相应的字段。编辑 bbsDmoz 目录中的 items.py 文件：123456789101112from scrapy.item import Item, FieldclassBbsDmozItem(Item):url
= Field()forum = Field()poster = Field()content = Field() 一开始这看起来可能有点复杂，但是通过定义item， 您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。Our first Spider Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。 其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容， 提取生成 item 的方法。创建一个Spider 为了创建一个Spider，保存在 bbsDmoz/spiders，您必须继承 scrapy.Spider 类，且定义以下三个属性:name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。parse() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。Selectors选择器 从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制： Scrapy Selectors。 关于selector和其他提取机制的信息请参考 Selector文档 。 我们使用XPath来从页面的HTML源码中选择需要提取的数据。这里给出XPath表达式的例子及对应的含义:/html/head/title: 选择HTML文档中 &head& 标签内的 &title& 元素/html/head/title/text(): 选择上面提到的 &title& 元素的文字//td: 选择所有的 &td& 元素//div[@class=&mine&]: 选择所有具有 class=&mine& 属性的 div 元素 以饮水思源BBS一页面为例：https://bbs./bbstcon?board=PhD&reid=&file=M..A 观察HTML页面源码并创建我们需要的数据(种子名字，描述和大小)的XPath表达式。 通过观察，我们可以发现poster是包含在 pre/a 标签中的，这里是userid=jasperstream:123...&[href='bbspst?board=PhD&file=M..A'&回复本文&][href='bbscon?board=PhD&file=M..A'&原帖&] 发信人: href=&bbsqry?userid=jasperstream&&jasperstream& 因此可以提取jasperstream的 XPath 表达式为：1'//pre/a/text()' 同理我可以提取其他内容的XPath，并最好在提取之后验证其正确性。上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。 如果您想了解的更多，我们推荐 这篇XPath教程。 为了配合XPath，Scrapy除了提供了 Selector 之外，还提供了方法来避免每次从response中提取数据时生成selector的麻烦。 Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):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(): 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(): 序列化该节点为unicode字符串并返回list。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。 如提取上述的poster的数据：1sel.xpath('//pre/a/text()').extract()使用Item Item 对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)。一般来说，Spider将会将爬取到的数据以 Item 对象返回。 Spider代码 以下为我们的第一个Spider代码，保存在 bbsDmoz/spiders 目录下的 forumSpider.py 文件中：1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950'''bbsSpider, Created on Oct, 2014#version: 1.0#author: chenqx @See more: http://doc.scrapy.org/en/latest/index.html'''from scrapy.selector import Selectorfrom scrapy.http import
Requestfrom scrapy.contrib.spiders import CrawlSpiderfrom scrapy.contrib.loader import ItemLoaderfrom scrapy.contrib.linkextractors.sgml import SgmlLinkExtractorfrom bbs.items import BbsItemclassforumSpider(CrawlSpider):name = 'bbsSpider'allow_domain = ['bbs.']start_urls = [ 'https://bbs./bbsall' ]link_extractor = {'page':
SgmlLinkExtractor(allow = '/bbsdoc,board,\w+\.html$'),'page_down':
SgmlLinkExtractor(allow = '/bbsdoc,board,\w+,page,\d+\.html$'),'content':
SgmlLinkExtractor(allow = '/bbscon,board,\w+,file,M\.\d+\.A\.html$'),}_x_query = {'page_content':
'//pre/text()[2]','poster'
'//pre/a/text()','forum'
'//center/text()[2]',}defparse(self, response):for link in self.link_extractor['page'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)defparse_page(self, response):for link in self.link_extractor['page_down'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)for link in self.link_extractor['content'].extract_links(response):yield Request(url = link.url, callback=self.parse_content)defparse_content(self, response):bbsItem_loader = ItemLoader(item=BbsItem(), response = response)url = str(response.url)bbsItem_loader.add_value('url', url)bbsItem_loader.add_xpath('forum', self._x_query['forum'])bbsItem_loader.add_xpath('poster', self._x_query['poster'])bbsItem_loader.add_xpath('content', self._x_query['page_content'])return bbsItem_loader.load_item()Define Item Pipeline 当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。 每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。 以下是item pipeline的一些典型应用：清理HTML数据验证爬取的数据(检查item包含某些字段)查重(并丢弃)将爬取结果保存，如保存到数据库、XML、JSON等文件中编写 Item Pipeline 编写你自己的item pipeline很简单，每个item pipeline组件是一个独立的Python类，同时必须实现以下方法: process_item(item, spider)
每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象，或是抛出 DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理。
参数：item (Item object) – 由 parse 方法返回的 Item 对象
spider (Spider object) – 抓取到这个 Item 对象对应的爬虫对象 此外,他们也可以实现以下方法：open_spider(spider)
当spider被开启时，这个方法被调用。
参数: spider (Spider object) – 被开启的spider
close_spider(spider)
当spider被关闭时，这个方法被调用，可以再爬虫关闭后进行相应的数据处理。
参数: spider (Spider object) – 被关闭的spider 本文爬虫的item pipeline如下，保存为XML文件：12345678910111213141516171819202122232425262728293031from scrapy import signalsfrom scrapy import logfrom bbsDmoz.items import BbsDmozItemfrom twisted.enterprise import adbapifrom scrapy.contrib.exporter import XmlItemExporterfrom dataProcess import dataProcessclassXmlWritePipeline(object):def__init__(self):pass@classmethod<span class="function" style="-webkit-margin-before:
数据挖掘DW(datadw)
文章为作者独立观点，不代表大不六文章网立场
datadw数据资源帝，致力于源源不断的资料提供。涵盖数据分析/数据挖掘，机器学习，R/Python编程，算法原理与案例，大数据，分享专家经验或观点，能为你解决数据研究相关学习、工作问题！热门文章最新文章datadw数据资源帝，致力于源源不断的资料提供。涵盖数据分析/数据挖掘，机器学习，R/Python编程，算法原理与案例，大数据，分享专家经验或观点，能为你解决数据研究相关学习、工作问题！&&&&违法和不良信息举报电话：183-
举报邮箱：Copyright(C)2017 大不六文章网使用Scrapy爬取大规模数据 - 简书
使用Scrapy爬取大规模数据
系统学习了解Python爬虫有20天时间了，做了一些爬虫小实验，如：
爬取51JOB岗位要求及信息 ；
Python模拟登录爬取QQ群论坛数据，，;
用Scrapy爬取找到简书签约作者，；
工作中爬取优酷视频，爬取筛选赶集、58简历库。
但是以上爬取的数据量都不大，最多的有一千多数条数据。于是想做一次大数据量的爬取。选择的数据源是简书用户，使用的是Scrapy框架。同时也想对简书的用户做一个数据分析。
要爬取大量数据，使用Scrapy要考虑的是新的url在哪里产生，解析的方法如何循环调用，也就是爬取的深度和广度。在Scrapy官方文档上的案例过于简单，实现的过程遇到不少问题，如scrapy中的方法如何调度，如何返回，循环中如何去抓取需要的另一个字段，再如何返回等等， 有些可能是我思维的局限，问题先记下，一步步解决。
一、考虑爬虫从哪里入口？
简书的用户id不是一个自增的序列数，无法使用一个循环就可以跑下所有用户。一开始我是想从一篇热门文章的阅读数或者喜欢数开始抓取用户，热门文章的阅读数能达到6W+，喜欢数在6～7K。但下一步数据再怎么爬，没有想好，阅读和喜欢的用户都是最普通用户，他们的关注和粉丝很少，而且阅读用户是Ajax数据。还有一个问题，数据如何去重。
后来，我再看上次爬取的简书签约作者时，发现有8个签约作者粉丝都超过1W，彭小六粉丝近3W。于是就觉得从这里作为入口，会是一个比较好的方案，简单易行，使用几个不多的url作为待爬取的入口，便可以抓取到大量的数据。最后我选择几个入口用户是，简书、彭小六、剽悍一只猫、入江之鲸、陶瓷兔子5个用户url，爬取他们的粉丝用户信息。
没有把所有签约作者url一起列为入口，是因为我现在数据存为csv格式，考虑可能超过65535行。后来我看了一下，特征用户还可以包括简叔，简书首席拒稿官。
要爬取的用户信息：
class JsuserItem(Item):
nickname = Field()
subscriptions = Field() # 用户关注数
fans = Field() #粉丝数
url = Field()
#用户首页url
articles = Field()
#写的文章数
words = Field() #写作的字数
likes = Field()
#收到的喜欢数
comments = Field()
# 发表的评论数，这个数据跳到另外url，还要做分页处理，这次没有做。
regtime = Field()
# 与评论数一样，下次再爬取
collected = Field()
二、如何使用Scrapy循环爬取数据
在上一篇文章中数据提交，获取新的url，url规则没有变，抓取的页面结构没有变，所以都是在parse()中实现。这次不一样。
1、列出start_urls， parse()方法会自动从这个待爬取的url列表依次执行。2、每一个用户的粉丝是分页加载的。所以需要一个方法获取粉丝分页url，分页页面每一行数据显示了一个用户文章数、字数、喜欢数、粉丝数，不需要进入到用户首页。
要获得用户注册时间，第一篇文章发表时间，发表过多少评论，是需要进到用户首页的，这也是下一步抓取要解决的。
在parse()方法中，我的目标就是拿到所有分页url，parse_item()中解析出用户信息并提交。在parse()方法中循环调用parse_item()。把所有特征用户的粉丝数据都抓取出来。
注意：1）在构造分页url时，查看到一个参数“_=”后面是一串数字，在浏览器中验证去掉又不行，猜测是时间戳。就用time构造出一个，测试正确。
2）在scrapy中方法调用，采用回调的方式。
for i in range(1, pages + 1):
nurl = response.url + '?_' + str(t) + '&page=' + str(i)
#构造出分页的url
yield Request(nurl, callback=self.parse_item)
看一下爬取到的数据：
到了65535行！
把数据导入数说立方，去重后的条数为64714条，重复率为1.2%，可见用户在粉以上几个签约作者时重合度并不高。
90.8%用户写了7篇文章，68.9%用户没有发表过文章
你坚持写7篇就超过90%的用户。更多数据分析，另外写一篇来解读。下一步的学习放在mongodb，redis上，练习10W+级别的数据爬取，以及Scrapy处理复杂的流程和性能优化。
抓住了，生命开始加速！比特之理 & Scrapy抓取豆瓣相册(学习笔记)|とある東雲研究所の分所
とある東雲研究所の分所
& Scrapy抓取豆瓣相册(学习笔记)
Scrapy抓取豆瓣相册(学习笔记)
情况是这样子的，因为前两天NHK的晨间剧《海女》完结了嘛，加之之前写的时候说过到时要为海女专门写一篇的，于是乎，我下午就开始写啦，我写这种文章的时候总免不了去找图，然后在那里就看到了很多好图，尤其是能年犬的，所以就想把图片全部下下来，然后轮流当桌面，但是一看下面，狗眼瞎了，1500+张，于是，按照我的性格，果断就把《海女》的博文扔一边了，跑去研究怎么全部下下来好了。。。所以呢~海女的博文，我过几天再写吧。。。
前阵子一直在自学python，其实为了就是搞python(x,y)而已，而且没有搬砖需求，纯属自娱自乐。。我一开始就知道python很适合爬虫的，而且scrapy我“觊觎”很久了，准备学会python就狠狠搞一下！！今天是个机会，反正python学了好一部分了，所以就开始搞爬虫，几个小时下来，总算尼马把目的达成了！！
这里做一下笔记吧~反正今后会时不时发神经去网上“爬”一下的。。。。首先是安装scrapy，安装scrapy你需要准备好多好多东西，嗯，真的很麻烦。。
一，首先是python，还是比较推荐2.7吧，虽然我实验室的电脑不知道为什么2.7就是用不了。。。怎么安装请上网查吧，我是因为装了pythonxy,所以我就可以略过这一步了~
二，然后是安装Twisted【Twisted is an event-driven networking engine written in Python and licensed under the open source】，其中这个又分3步，所以说麻烦啊！！
安装setuptools：下载地址
安装Zope.Interface：下载地址，下载完成后将其拷贝到XXXPython27Scripts目录下，在cmd里面cd到这个目录后，运行：
easy_install.exe zope.interface-4.0.1-py2.7-win32.egg
安装Twisted：下载地址，点击安装即可。
三，接下来是安装w3lib，下载地址，下载后解压，然后cmd进入到w3lib-1.2目录下，运行：
python setup.py install
四，下一步安装libxml2，下载地址，神烦吧！点击安装即可。
五，别急。。下一步。。安装pyOpenSSL，下载地址，还是点击安装。
六，最后一步，主角，Scrapy,下载地址，解压后cmd进入目录Scrapy-0.14.4，运行：
python setup.py install
好，战斗第一步，结束！
然后我下面简单说一下今天的学习笔记！
首先，我们需要建立一个scrapy的工程，所以在cmd下，cd到你喜欢的目录里面，运行
scrapy startproject
doubanImage
这样子我们就多了一个叫做doubanImage的文件夹，下面就是我们的工程文件了，主要关心的文件有这两个：
doubanImagedoubanImageitems.py:项目items文件
doubanImagedoubanImagespiders:爬虫代码文件夹
其他的先别管，然后我们在spiders下面建立一个py文件，假设叫douban.py，写入代码如下：
from scrapy.spider import BaseSpider
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
start_urls = [
&/subject//photos?type=S&
def parse(self, response):
filename = 'hainv.txt'
open(filename, 'wb').write(response.body)
然后在cmd里面运行，运行方式如下：scrapy crawl douban
第三个参数douban就是类里面的变量name，
代码里面，start_urls就是你要开始爬虫的其实网址，不一定只有一个。
parse是爬虫的回调函数，在这个代码里面，我们创建了一个叫做hainv.txt的文件夹，运行之后里面将会有这个地址页面的源代码，也就是你在浏览器那个页面下，右键→源文件，所看到的那些。
但是整个页面的代码其实并不是我们想要的，我们想要的是一个html树结构的那种东西，或者说，树结构也不是我们想要的，我们想要的是类似数据库一样，我告诉你我想要什么标签的信息，你就返回什么标签的信息；
还是《海女》相册页面为例，我们查看源文件，可以看到我们感兴趣的照片都是这样一个标签下的：
&ul class=&poster-col4 clearfix&
&li data-id=&&&
&div class=&cover&&
&a href=&/photos/photo//&&
&img src=&/view/photo/thumb/public/p.jpg& /&
&div class=&prop&&
&div class=&name&&
&a href=&/photos/photo//#comments&&2回应&/a&
...........
像/photos/photo// 就是每张单独的照片的连接页面了，而/view/photo/thumb/public/p.jpg 则是缩略图的照片的地址
于是乎，我们要找的照片其实就是ul下的li下的div下的a下面的img了！！要怎么得到这个东西呢？为了方便调试，一般不会直接在代码里面调试，我们可以开一个内建的一个Scrapy shell，这样我们就像运行matlab脚本一样随写随测试，方法呢，就是在cmd里面运行：
scrapy shell 地址
我们这里自然运行的是：
scrapy shell /subject//photos?type=S
然后你就会发现进入了一个类似Ipython的界面了，要怎么获得我们刚刚上面描述的那个东西呢？输入：
hxs.select('//ul/li/div/a/@href').extract()
其实就是告诉scrapy我要ul下面的li下面的div下面的a下面的链接，但是返回来是什么呢？
[u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',
u'/photos/photo//#comments',
u'/photos/photo//',...................
除了我们要的地址外，还有很多#comments，就是每张照片下面评论的链接啦~再看看我们上面的那个页面的源代码，可以发现，确实，我们刚刚输入的规则确实应该得到comment的连接，但是我们不想要这些？怎么办呢？观察一下上面，我们发现图片的地址的div里面class是‘cover’，而评论的class是‘name’，这就是区分的准则了！！代码如下：
hxs.select("//ul/li/div[@class='cover']/a/@href").extract()
这样返回来的全部都是图片页面的地址了，再也没有comments了。
如果想直接获得缩略图的链接呢？
hxs.select("//ul/li/div[@class='cover']/a/img/@src").extract()
这样返回来的就是：
[u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
u'/view/photo/thumb/public/p.jpg',
。。。。。。。。
接下来我原本的计划是，通过爬虫图片的页面地址，然后继续解析那个页面的源文件，找到图片的链接，但是我进去后就发现我太甜了，比如说这个页面，/photos/photo//，你进去就会发现没有直接的jpg的地址，那些图片的地址都是用JS函数计算出来的，虽然不算是加密，但是比较麻烦，但是在那个页面右键图片，属性，可以看到图片的URL，而且对比一下就会发现，如果缩略图的URL是：
/view/photo/thumb/public/p.jpg
那么这个图片的URL就是
/view/photo/photo/public/p.jpg
然后我们点击图片左下角的查看原图，就会发现，图片的链接是：
/view/photo/raw/public/p.jpg
区别显而易见，所以为了图个方便，我们只要向上面一样解析出缩略图thumb的地址，就可以直接用一个replace函数获得原始图片的地址了，嗯，简单。
我们计划要把所有图片的地址写到douban.txt里面，然后直接贴到迅雷里面，就可以下载了，那么代码就变成这个了：
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
filename = 'douban.txt'
f = open(filename, 'wb')
start_urls = [&/subject//photos?type=S&]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div/a/img/@src').extract()
for site in sites:
site = site.replace('thumb','raw')
self.f.write(site)
self.f.write('rn')
这样我们就可以完成了第二步了！！
上面的步骤我们只是保存了第一页的图片，豆瓣设定一页40张，所以我们只得到了40张，要得到下面的怎么办呢？简单，获得下一页的地址不就行了咯~
继续看豆瓣海女相册第一页页面的源代码，在下面找到：
&div class=&paginator&&
&span class=&prev&&
&span class=&thispage&&1&/span&
&a href=&/subject//photos?type=S&start=40&sortby=vote&size=a&subtype=a& &2&/a&
&a href=&/subject//photos?type=S&start=80&sortby=vote&size=a&subtype=a& &3&/a&
&a href=&/subject//photos?type=S&start=120&sortby=vote&size=a&subtype=a& &4&/a&
&a href=&/subject//photos?type=S&start=160&sortby=vote&size=a&subtype=a& &5&/a&
&a href=&/subject//photos?type=S&start=200&sortby=vote&size=a&subtype=a& &6&/a&
很明显，从上面我们不仅可以很轻易的定位出我们要跳转的那一页的地址，还可以知道当前是第几页，每个地址对应第几页这些信息，比如：
hxs.select("//div[@class='paginator']/a/@href").extract()
上面这行语句就可以获得所有的页面的链接的跳转地址
hxs.select("//div[@class='paginator']/a/text()").extract()
上面这行语句就可以获得对应的页码。
虽然一开始思路是这样子，但是我后来想想还是算了，于是我就想到了另一个比较猥琐的方法。。。就是观察每一页的地址，可以发现。。。。很有规律性的。。。start=0,40,80,120...于是乎，一个简单无比的代码就出来了，见文章最后面。因为这里还有一个东西要说一下，就是Item那个文件。
某一个页面分析完，不一定像我这种只想要图片地址的，比如说可能有人还想要每张图片的评论，所以呢，就有了Item这个文件，对于编辑items.py这个文件，每添加一个项，就是用XXX=Filed()就可以了。
向我们这里，就是：
# Define here the models for your scraped items
# See documentation in:
# http://doc.scrapy.org/topics/items.html
from scrapy.item import Item, Field
class DoubanimageItem(Item):
# define the fields for your item here like:
# name = Field()
ImageAddress = Field()
这样，就可以对他进行保存了。
所以我最后的代码就是：
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from doubanImage.items import DoubanimageItem
class DouBanImage(BaseSpider):
name = &douban&
allowed_domains = [&&]
start_urls = [];
f = open('douban.txt', 'wb')
for i in range(0,1560,40):
start_urls.append('/subject//photos?type=S&start=%d&sortby=vote&size=a&subtype=a'%i)
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div/a/img/@src').extract()
items = []
for site in sites:
site = site.replace('thumb','raw')
self.f.write(site)
self.f.write('\r\n')
item = DoubanimageItem()
item['ImageAddress'] = site
items.append(item)
return items
正所谓短小精悍，是吧~
但是跑完程序要怎么得到刚刚保存的item的值呢？运行的时候只要用以下参数即可：
scrapy crawl douban -o image.json -t json
这样运行完你就会看到一个image.json文件，东西就保存在那里面！！
第一，上面那个东西只是我学了一下午得到的东西的整理，入门到不能再入门。
第二，话说，我发现用迅雷下载图片的时候，最好开单个文件下载，不然豆瓣那边会拒绝。
第三，我最后发现，我自己写一个现在图片的代码要比迅雷快很多，不知为何。。迅雷自己200张下了半个多小时，我1500+张十分钟不用就下完了。。估计豆瓣那边对迅雷这种多线程有封锁吧。。这里给一下读取图片链接下载图片的小代码。。也是scrapy的。。
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class DownloadImg(BaseSpider):
name = &readimg&
allowed_domains = [&&]
start_urls = [];
f = open(&F:\\readimg\\douban.txt&,'r')
line = f.readline()
while(line):
start_urls.append(line)
line = f.readline()
counter = 0;
def parse(self, response):
str = response.url[0:-3];
self.counter = self.counter+1
str = str.split('/');
print '--------------------------------DownLoad Finished',self.counter,str[-1]
imgfile = open(str[-1],'wb')
imgfile.write(response.body)
以上！【哎呀妈呀，总算写完了。。。海女的还是再等几天好了。。】
本文内容遵从CC版权协议，转载请注明出自
我勒个去。。太久没打理网站，Wordpress版本太低，被黑了都不知道。。。感谢白帽子。。
Categories
► (22)
► (2)
► (5)
► (4)
► (6)
► (28)
► (2)
► (1)
► (12)
► (3)
► (1)
► (2)
► (6)
▼ (48)
► (10)
► (11)
► (4)
► (9)
► (5)
▼ (5)
► (2)
► (1)
► (1)
► (34)
► (16)
► (2)
► (41)
► (7)
► (5)
► (3)
► (6)
► (4)
► (2)
► (10)
► (20)
► (14)
► (4)
collapsItems['collapsCat-150:2'] = '';
collapsItems['collapsCat-160:2'] = '';
collapsItems['collapsCat-154:2'] = '';
collapsItems['collapsCat-159:2'] = '';
collapsItems['collapsCat-2:2'] = '► (4)
► (2)
► (5)
► (4)
► (6)
collapsItems['collapsCat-98:2'] = '';
collapsItems['collapsCat-131:2'] = '';
collapsItems['collapsCat-164:2'] = '';
collapsItems['collapsCat-96:2'] = '';
collapsItems['collapsCat-163:2'] = '';
collapsItems['collapsCat-122:2'] = '';
collapsItems['collapsCat-97:2'] = '';
collapsItems['collapsCat-157:2'] = '';
collapsItems['collapsCat-3:2'] = '► (1)
► (2)
► (1)
► (12)
► (3)
► (1)
► (2)
► (6)
collapsItems['collapsCat-144:2'] = '';
collapsItems['collapsCat-151:2'] = '';
collapsItems['collapsCat-147:2'] = '';
collapsItems['collapsCat-152:2'] = '';
collapsItems['collapsCat-149:2'] = '';
collapsItems['collapsCat-106:2'] = '';
collapsItems['collapsCat-127:2'] = '';
collapsItems['collapsCat-155:2'] = '';
collapsItems['collapsCat-99:2'] = '';
collapsItems['collapsCat-4:2'] = '► (10)
► (11)
► (4)
► (9)
► (5)
▼ (5)
► (2)
► (1)
► (1)
collapsItems['collapsCat-95:2'] = '';
collapsItems['collapsCat-103:2'] = '';
collapsItems['collapsCat-94:2'] = '';
collapsItems['collapsCat-5:2'] = '► (16)
► (16)
► (2)
collapsItems['collapsCat-153:2'] = '';
collapsItems['collapsCat-120:2'] = '';
collapsItems['collapsCat-162:2'] = '';
collapsItems['collapsCat-104:2'] = '';
collapsItems['collapsCat-148:2'] = '';
collapsItems['collapsCat-139:2'] = '';
collapsItems['collapsCat-121:2'] = '';
collapsItems['collapsCat-100:2'] = '';
collapsItems['collapsCat-6:2'] = '► (3)
► (7)
► (5)
► (3)
► (6)
► (4)
► (2)
► (10)
collapsItems['collapsCat-102:2'] = '';
collapsItems['collapsCat-145:2'] = '';
collapsItems['collapsCat-101:2'] = '';
collapsItems['collapsCat-7:2'] = '► (2)
► (14)
► (4)
Collapse Functions, version 2.0
*--------------------------------------------------------------------------*/
String.prototype.trim = function() {
return this.replace(/^\s+|\s+$/g,"");
function createCookie(name,value,days) {
if (days) {
var date = new Date();
date.setTime(date.getTime()+(days*24*60*60*1000));
var expires = "; expires="+date.toGMTString();
var expires = "";
document.cookie = name+"="+value+expires+"; path=/";
function readCookie(name) {
var nameEQ = name + "=";
var ca = document.cookie.split(';');
for(var i=0;i
本博客所有作品遵从CC版权协议，采用进行许可。}
我要回帖
更多关于 陕西信合网银 的文章
更多推荐
- ·听说跃安门窗品牌的十大排名的产品销量如何？是否容易销售？
- ·中*电信天翼网盘下载限速吗云盘限速吗？
- ·想要彻底清洁隐形纱窗，是否需要使用戴森吸尘器清洗拆解，有哪些注意事项？
- ·oppo reno颜色11 曜石黑适合女生吗？
- ·oppo手机恢复旧版系统怎样恢复coloros
- ·系统相机的贴纸相机app功能总显示加载不出来怎么办
- ·黑龙江福彩22选522选5开奖———苹果5s触屏反映慢是怎么回事
- ·新暗黑圣经百度云资源盘链接
- ·ios11.01ios11发正式版耗电与iOS11.1ios11发正式版耗电哪个耗电快？
- ·求龙珠超第115集高清最新龙珠超百度云资源源下载链接谁有
- ·土巴兔装修保有用吗APP运用有哪些
- ·图片上的78%sku图片是什么意思思？？？我只知道我当前采纳率是57%
- ·求龙珠超百度云百度网盘第115集百度云网盘资源链接分享
- ·格力中央空调 dnf关掉右下角的tp主字怎么关掉 长按模式没用了 开的时候是长按开的
- ·买了小米路由器管理密码3G如何知道不是3，和3有什么外观区别
- ·技嘉主板bios更新线头可以这样插吗看图六个口的可以插在白色四个口上面吗
- ·26选5开奖———惠普笔记本重置后用惠普触摸屏笔记本老是弹出操作中心来
- ·是否臆造？请灌篮高手指弹吉他教学教？
- ·微信群怎么多加人怎么样多加群
- ·我的电脑显示陕西信合个人网银网银正在运行但没有登录窗口
- ·surfmill可以cad导入ai文件cad文件吗
- ·各位路过神仙跪求七龙珠官网超第115集百度云资
- ·我在电脑微信登录两个账号微信号手机上怎么让它不再显示电脑一登陆
- ·四川最美网吧12小时网管累不累网管叫什么名字？
- ·求最新龙珠超百度云资源第115集百度云高清资源下载链接
- ·志浩上海公司注册资金金选择多少对公司比较合适
- ·有没有看轻小说网站的软件或网站
- ·求王者荣耀技能框怎么改框
- ·趣头条如何解绑微信一个微信可以绑定几个号
- ·求海贼王高清百度云资源第813集百度云高清完整资源。能下载或者在线观看 分享下~么么哒！
- ·学习机触摸屏哪款好
- ·31选7开奖———威纶通mt6070ih 接线TK6070IP触摸屏断电保持用寄存器字装置编号是什么？
- ·机箱什么牌子主机电源好哪些是一线品牌
- ·打卡工资好下款的网贷有8000一个月但是网贷的都是短期的，该怎么办
- ·安徽25选5内蒙古11选五开奖结果———我的苹果7p有时候突然屏幕变暗而且home键和触屏都失灵
