python scrapy简单爬虫记录(实现简单爬取知乎)
之前写了个scrapy的学习记录,只是简单的介绍了下scrapy的一些内容,并没有实际的例子,现在开始记录例子
使用的环境是python2.7, scrapy1.2.0
首先创建项目
在要建立项目的目录下执行命令scrapy startproject tutorial
scrapy会帮你建立好项目,接着创建蜘蛛scrapy genspider zhuhuSpider zhihu.com
当前的文件结构是
--tutorial --spiders --__init__.py --zhihuSpider.py --__init__.py --items.py --pipelines.py --settings.py
主要用到的文件有三个zhihuspider.py,items.py,settings.py
zhihuspider是用来写爬行的蜘蛛的,items用来保存爬取的数据,settings修改配置
# -*- coding: utf-8 -*-
from scrapy.spiders import Spider
from scrapy.selector import Selector
from tutorial.items import ZhihuItem #蜘蛛的主体
class ZhihuSpider(Spider):
name = "zhihuSpider"
allowed_domains = ['zhihu.com']
start_urls = []
#获取要爬取的url,我把关键词放在zhihu.txt中
def start_requests(self):
url_head = 'https://www.zhihu.com/search?type=content&q='
with open('zhihu.txt', 'r') as f:
datas = f.readlines()
for data in datas:
url = url_head+data
print url
self.start_urls.append(url) for url in self.start_urls:
yield self.make_requests_from_url(url)
#对返回的response进行解析,该步骤可以配合浏览器进行xpath的查找
def parse(self, response):
#删除所有的<em>
response = response.replace(body=response.body.replace('<em>', ''))
hxs = Selector(response) contents = hxs.xpath('//*[@class="zu-main-content"]//*[contains(@class, "list")]')
item = ZhihuItem()
for content in contents:
item['search_title'] = content.xpath('//*[@class="title"]/a/text()').extract()
item['search_title_link'] = content.xpath('//*[@class="title"]/a/@href').extract()
item['search_answer'] = content.xpath('//*[@class="content"]//*[contains(@class, "entry-content")]//*[contains(@class, "summary")]/text()').extract()
item['search_answer_link'] = content.xpath('//*[@class="content"]//*[contains(@class, "entry-content")]//*[contains(@class, "summary")]/a/@href').extract()
item['search_answer_writer'] = content.xpath('//*[@class="content"]//*[contains(@class, "entry-meta")]//a[contains(@class, "author")]/text()').extract()
print item
yield item
from scrapy.item import Item, Field class ZhihuItem(Item):
search_title = Field()
search_title_link = Field()
search_answer = Field()
search_answer_link = Field()
search_answer_writer = Field()
该items文件存放数据
因为知乎对爬虫有限制,所以需要加入反爬虫机制
基本上有4种,添加useragent,添加代理,禁用cookie以及爬取时间限制
在当前项目下添加python包middlewares,和setttings在同一个目录下,下面只有一个__init__.py文件,新建一个RandomUserAgent.py文件
#coding:utf-8
import random class RandomUserAgent(object): def __init__(self, agents):
self.agents = agents @classmethod
def from_crawler(cls, crawler):
return cls(crawler.settings.getlist('USER_AGENTS')) def process_request(self, request, spider):
request.headers.setdefault('User-Agent', random.choice(self.agents))
简单的加入user-agent
最后在settings中设置
DOWNLOADER_MIDDLEWARES = {
   # 'tutorial.middlewares.MyCustomDownloaderMiddleware': 543,
    'tutorial.middlewares.RandomUserAgent.RandomUserAgent': 1,
}
USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
COOKIES_ENABLED=False
DOWNLOAD_DELAY=3
整个项目完成了,scrapy crawl zhihuSpider -o zhihu.json导出数据。就是这么简单
如果想要不喜欢用-o来导出数据,可以让scrapy自己保存数据,编辑pipelines
import json
import codecs class xxxPipeline(object):
def __init__(self):
self.file = codecs.open('xxx.csv', 'w', encoding='utf-8') def process_item(self, item, spider):
datas = json.dumps(dict(item), ensure_ascii=False) + '\n'
self.file.write(datas)
return item def spider_closed(self, spider):
self.file.close()
然后在setting中启用
ITEM_PIPELINES = {
   'tutorial.pipelines.xxxPipeline': 300, 
}
把对应的pipeline修改成自己的,最后那个数字表示启动顺序,越低顺序越快。
最后说一句,爬取数据时要注意对爬取时间的设置,别给服务器造成负担
项目已经提交到github上地址是https://github.com/lin344902118/doubanSpider.git
里面还有个对豆瓣的爬虫
python scrapy简单爬虫记录(实现简单爬取知乎)的更多相关文章
- 通过scrapy,从模拟登录开始爬取知乎的问答数据
		这篇文章将讲解如何爬取知乎上面的问答数据. 首先,我们需要知道,想要爬取知乎上面的数据,第一步肯定是登录,所以我们先介绍一下模拟登录: 先说一下我的思路: 1.首先我们需要控制登录的入口,重写star ... 
- Python开发简单爬虫(二)---爬取百度百科页面数据
		一.开发爬虫的步骤 1.确定目标抓取策略: 打开目标页面,通过右键审查元素确定网页的url格式.数据格式.和网页编码形式. ①先看url的格式, F12观察一下链接的形式;② 再看目标文本信息的标签格 ... 
- 一个简单的python爬虫,爬取知乎
		一个简单的python爬虫,爬取知乎 主要实现 爬取一个收藏夹 里 所有问题答案下的 图片 文字信息暂未收录,可自行实现,比图片更简单 具体代码里有详细注释,请自行阅读 项目源码: # -*- cod ... 
- 爬虫简单之二---使用进程爬取起点中文网的六万多也页小说的名字,作者,等一些基本信息,并存入csv中
		爬虫简单之二---使用进程爬取起点中文网的六万多也页小说的名字,作者,等一些基本信息,并存入csv中 准备使用的环境和库Python3.6 + requests + bs4 + csv + multi ... 
- Python爬虫实战二之爬取百度贴吧帖子
		大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取百度贴吧的帖子.与上一篇不同的是,这次我们需要用到文件的相关操作. 前言 亲爱的们,教程比较旧了,百度贴吧页面可能改版,可能代码不 ... 
- 【python爬虫和正则表达式】爬取表格中的的二级链接
		开始进公司实习的一个任务是整理一个网页页面上二级链接的内容整理到EXCEL中,这项工作把我头都搞大了,整理了好几天,实习生就是端茶送水的.前段时间学了爬虫,于是我想能不能用python写一个爬虫一个个 ... 
- Python爬虫:为什么你爬取不到网页数据
		前言: 之前小编写了一篇关于爬虫为什么爬取不到数据文章(文章链接为:Python爬虫经常爬不到数据,或许你可以看一下小编的这篇文章), 但是当时小编也是胡乱编写的,其实里面有很多问题的,现在小编重新发 ... 
- 教程+资源,python scrapy实战爬取知乎最性感妹子的爆照合集(12G)!
		一.出发点: 之前在知乎看到一位大牛(二胖)写的一篇文章:python爬取知乎最受欢迎的妹子(大概题目是这个,具体记不清了),但是这位二胖哥没有给出源码,而我也没用过python,正好顺便学一学,所以 ... 
- 使用python scrapy爬取知乎提问信息
		前文介绍了python的scrapy爬虫框架和登录知乎的方法. 这里介绍如何爬取知乎的问题信息,并保存到mysql数据库中. 首先,看一下我要爬取哪些内容: 如下图所示,我要爬取一个问题的6个信息: ... 
随机推荐
- 【Luogu】P2490黑白棋(博弈DP)
			题目链接 题解链接 #include<cstdio> #include<cstring> #include<algorithm> #include<cstdl ... 
- poj 2406 Power Strings (后缀数组 || KMP)
			Power Strings Time Limit: 3000MS Memory Limit: 65536K Total Submissions: 28859 Accepted: 12045 D ... 
- 牛客 NOIp模拟1 T3 保护 解题报告
			保护 题目描述 \(C\)国有\(n\)个城市,城市间通过一个树形结构形成一个连通图.城市编号为\(1\)到\(n\),其中\(1\)号城市为首都.国家有\(m\)支军队,分别守卫一条路径的城市.具体 ... 
- 【HDU 5961 传递】
			Time Limit: 12000/6000 MS (Java/Others) Memory Limit: 65536/65536 K (Java/Others)Total Submission ... 
- bzoj2178:圆的面积并
			题意:http://www.lydsy.com/JudgeOnline/problem.php?id=2178 sol :是谁.......是谁往题里下毒...... 辛普森积分,每次判断左边+右边 ... 
- struts2的ajax支持
			struts2支持一种stream类型的Result,这种类型的Result可以直接向客户端浏览器响应二进制,文本等, 我们可以再action里面生成文本响应,然后在客户端页面动态加载该响应即可. 直 ... 
- 使用jdbc连接oracle数据库时遇到的一些问题
			第一个问题:驱动名称错误 错误截图如下: 从错误提示可以看出,oracle少写了一个'a',手误对程序员来说是经常发生的事,有时能够及时发现纠错,有时就容易忽略. 建议大家将写好的测试无误的保存起来, ... 
- git项目初始化的问题汇总
			转:https://blog.csdn.net/Free_Wind22/article/details/81628721 1.在Git官网上点击New repository新建项目: 2.在本地新建一 ... 
- 百度之星初赛(A)——T6
			度度熊的01世界 Problem Description 度度熊是一个喜欢计算机的孩子,在计算机的世界中,所有事物实际上都只由0和1组成. 现在给你一个n*m的图像,你需要分辨他究竟是0,还是1,或者 ... 
- Hibernate中映射一对一关联(按主键映射和外键映射)和组件映射
			Hibernate中映射一对一关联(按主键映射和外键映射)和组件映射 Hibernate提供了两 ... 
