第一步

  • Scrapy 一览：理解Scrapy是什么，他能帮到你什么
  • 安装指南：在电脑上安装Scrapy
  • Scrapy 教程：编写第一个Scrapy项目
  • 示例：通过前人写好的Scrapy项目进行学习

基础概念

  • 命令行工具：学习使用命令行工具管理Scrapy项目
  • 爬虫：编写规则爬取网站
  • 选择器：使用XPath从网页中抽取数据
  • Scrapy shell：在一个交互环境中测试抽取代码
  • Items：定义要抓取的数据字段
  • Item 加载器
  • Item 管道
  • Post处理和数据存储.
  • 信息流导出：使用不同的格式输出和存储抓取的数据
  • Requests and Responses：理解用于HTTP请求和响应的类
  • 链接抽取器
  • 配置：学习怎样配置Scrapy，查看所有可用配置
  • 异常：查看所有可用异常及其含义

内建服务

  • 日志记录：学习如何在Scrapy项目中使用Python的内建日志模块
  • 统计收集：收集Scrapy爬虫的统计信息
  • 发送邮件：当某些事件发生时发送邮件提醒
  • Telnet 控制台：使用后Python控制台检视一整正在运行的爬虫
  • Web 服务：使用Web服务管理和控制爬虫

特定问题的解决

  • FAQ(常见问题)
  • 爬虫调试：学习如何调试scrapy爬虫吃的一般问题
  • Spiders Contracts
  • 一般性练习
  • Broad Crawls
  • 使用Firefox进行数据抓取
  • 使用Firebug
  • Debug内存泄漏
  • 下载和处理文件、图片
  • 爬虫部署
  • AutoThrottle extension
  • 压力测：测试爬虫在实际机器上的性能表现
  • 任务暂停和恢复

扩展Scrapy

  • 架构概览：理解Scrapy的架构
  • 下载器中间件：定制网页请求和下载
  • 爬虫中间件 ：定制爬虫的输入和输出
  • 扩展：使用定制功能扩展Scrapy
  • 核心 API：在扩展和中间件中使用一扩展Scrapy的功能
  • 信号：查看所有可用的信号及怎样使用它们
  • 数据导出器：快速导出抓取的数据到文件（XML,CSV等等）

Scrapy计划表的更多相关文章

  1. Scrapy框架爬虫初探——中关村在线手机参数数据爬取

    关于Scrapy如何安装部署的文章已经相当多了,但是网上实战的例子还不是很多,近来正好在学习该爬虫框架,就简单写了个Spider Demo来实践.作为硬件数码控,我选择了经常光顾的中关村在线的手机页面 ...

  2. scrapy爬虫docker部署

    spider_docker 接我上篇博客,为爬虫引用创建container,包括的模块:scrapy, mongo, celery, rabbitmq,连接https://github.com/Liu ...

  3. scrapy 知乎用户信息爬虫

    zhihu_spider 此项目的功能是爬取知乎用户信息以及人际拓扑关系,爬虫框架使用scrapy,数据存储使用mongo,下载这些数据感觉也没什么用,就当为大家学习scrapy提供一个例子吧.代码地 ...

  4. ubuntu 下安装scrapy

    1.把Scrapy签名的GPG密钥添加到APT的钥匙环中: sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 6272 ...

  5. 网络爬虫：使用Scrapy框架编写一个抓取书籍信息的爬虫服务

      上周学习了BeautifulSoup的基础知识并用它完成了一个网络爬虫( 使用Beautiful Soup编写一个爬虫 系列随笔汇总 ), BeautifulSoup是一个非常流行的Python网 ...

  6. Scrapy:为spider指定pipeline

    当一个Scrapy项目中有多个spider去爬取多个网站时,往往需要多个pipeline,这时就需要为每个spider指定其对应的pipeline. [通过程序来运行spider],可以通过修改配置s ...

  7. scrapy cookies：将cookies保存到文件以及从文件加载cookies

    我在使用scrapy模拟登录新浪微博时,想将登录成功后的cookies保存到本地,下次加载它实现直接登录,省去中间一系列的请求和POST等.关于如何从本次请求中获取并在下次请求中附带上cookies的 ...

  8. Scrapy开发指南

    一.Scrapy简介 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. Scrapy基于事件驱动网络框架 Twis ...

  9. 利用scrapy和MongoDB来开发一个爬虫

    今天我们利用scrapy框架来抓取Stack Overflow里面最新的问题(),并且将这些问题保存到MongoDb当中,直接提供给客户进行查询. 安装 在进行今天的任务之前我们需要安装二个框架,分别 ...

随机推荐

  1. Fedora26 tftp-server设置

    安装tftp-server yum install -y  tftp-server 启动软件 systemctl start tftp.socket systemctl enable tftp.soc ...

  2. How to make an HTTP request in Swift

    from: http://stackoverflow.com/questions/24016142/how-to-make-an-http-request-in-swift You can use N ...

  3. PO页面对象模式封装

    PO的主要价值体现在对界面交互细节的封装,这样可以使测试案例可以更关注与业务而非界面细节,提高测试案例的可读性.   以传统的登陆页面为例實現PO模式,因为每个用例中都需要登陆. 其中需要使用Page ...

  4. 【Ubuntu】全局代理

    配置代理,Ubuntu下是修改/etc/environment,在后面加入: http_proxy="http://****.com:8080/" https_proxy=&quo ...

  5. MongoDB：通过mongodump【时间一致性】备份，快速创建secondary复制集节点——更精简的方式2

    该方式优点:快速通过mongodump初始化数据库,大大减少新的secondary节点从头开始初始化的风险:网络壅塞.oplog.rs过期.耗时太长等. 还原的关键:一致性mongodump备份 +  ...

  6. Oracle：oracle 12.1.0.2 升级到12.2.0.1 后，自动任务报错：ORA-20001: Statistics Advisor: Invalid task name for the current user

    具体错误如下:关键字:ORA-12012.ORA-20001 ORA-12012: error on auto execute of job "SYS"."ORA$AT_ ...

  7. 使用php用IE打开指定网页

    $cmd = '"C:\Program Files\Internet Explorer\iexplore.exe" http://www.baidu.com'; exec($cmd ...

  8. Nginx 向客户端输出真实的后端IP地址

    因为涉及到内外网的改造,所以狠多东西现在需要依赖于openresty来做总控实现.然后就碰见了一个比较难办的问题,即在upstream时候,如何获取实际处理请求的server地址.假设有如下upstr ...

  9. 源码分析七(java.lang包之IllegalArgumentException类)

    一:IllegalArgumentException非法参数类,这个类继承父类RuntimeException public class IllegalArgumentException extend ...

  10. HTML5媒体（音频/视频）

    摘要: 在HTML5出现之前,web媒体大部分通过Flash来实现.这种方式造成了文件大加载慢,影响网站性能,开发难度高,维护麻烦,不易扩展等.这就导致HTML5自己开始支持媒体功能.HTML5 DO ...