一.項目背景
之前文章[Scrapy爬蟲框架初步使用介紹](http://mp.weixin.qq.com/s?__biz=MzIzODI4ODM2MA==&mid=2247484881&idx=1&sn=5d205c3315927845fed5aa4dfbb4f4da&chksm=e93ae956de4d604052e6d18ca10fc081f32cd8479a11420cd13fe20bbb963044b13d55b15390&scene=21#wechat_redirect)我們介紹了Scrapy框架運(yùn)行基本原理,緊接著我們介紹了如何利用Scrapy爬取文本數(shù)據(jù)[Scrapy+MySQL+MongoDB爬取豆瓣讀書做簡單數(shù)據(jù)分析](http://mp.weixin.qq.com/s?__biz=MzIzODI4ODM2MA==&mid=2247484898&idx=1&sn=763a73b7d4b7c991d1aeb2ceb389b686&chksm=e93ae965de4d6073da55c6db07bfe142c1d18ca744dae33214a2dba8940db348616e256a7e50&scene=21#wechat_redirect),以及如何利用Scrapy爬取圖片[Scrapy爬取某網(wǎng)站美女圖片](http://mp.weixin.qq.com/s?__biz=MzIzODI4ODM2MA==&mid=2247486610&idx=1&sn=e05d207e965d7bcc0507a195f25da2b9&chksm=e93ae015de4d69031ae847bf5f12adef61e82d263aa8366e9533a58c7011b6396b4a05051cea&scene=21#wechat_redirect),本次我們分享如何利用Scrapy爬取文件。
本次我們爬取目標(biāo)網(wǎng)頁為:https://matplotlib.org/2.0.2/examples/index.html
二.實(shí)現(xiàn)過程
1.創(chuàng)建項目
》》scrapy startproject matplot_file
》》進(jìn)入該目錄 cd matplot_file
》》生成爬蟲 scrapy genspider mat matplotlib.org
》》運(yùn)行爬蟲 scrapy crawl mat -o mat_file.json
2.數(shù)據(jù)爬取
》》解析數(shù)據(jù)
》》存儲數(shù)據(jù)
# -*- coding: utf-8 -*-
import scrapy
from matplot_file.items import MatplotFileItem
class MatSpider(scrapy.Spider):
name = 'mat'
allowed_domains = ['matplotlib.org']
start_urls = ['https://matplotlib.org/2.0.2/examples/index.html']
def parse(self, response):
#獲取所有l(wèi)i元素
for lis in response.xpath('//*[@id="matplotlib-examples"]/div/ul/li'):
#遍歷li元素
for li in lis.xpath('.//ul/li'):
#獲取鏈接
url=li.xpath('.//a/@href').get()
#拼接鏈接
url = response.urljoin(url)
#爬取文本
yield scrapy.Request(url, callback=self.parse_html)
#解析文本
def parse_html(self,response):
#獲取文件鏈接
href = response.xpath('//div[@class="section"]/p/a/@href').get()
#拼接鏈接
url=response.urljoin(href)
#打印控制臺
print(url)
#初始化對象
matfile=MatplotFileItem()
#存儲對象
matfile['file_urls']=[url]
#返回數(shù)據(jù)
yield matfile
【注】以上是mat.py中代碼
# -*- coding: utf-8 -*-
BOT_NAME = 'matplot_file'
SPIDER_MODULES = ['matplot_file.spiders']
NEWSPIDER_MODULE = 'matplot_file.spiders'
#設(shè)置FilePipeline
ITEM_PIPELINES = {
'scrapy.pipelines.files.FilesPipeline':1,
}
#設(shè)設(shè)置文件保存路徑
FILES_STORE = 'mat_file'
ROBOTSTXT_OBEY = False
【注】以上是settings.py中代碼
import scrapy
class MatplotFileItem(scrapy.Item):
# define the fields for your item here like:
#文件url
file_urls = scrapy.Field()
#下載文件信息
files = scrapy.Field()
【注】以上是items.py中代碼
聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。
舉報投訴
-
數(shù)據(jù)
+關(guān)注
關(guān)注
8文章
7002瀏覽量
88941 -
框架
+關(guān)注
關(guān)注
0文章
403瀏覽量
17475 -
運(yùn)行
+關(guān)注
關(guān)注
0文章
25瀏覽量
15399
發(fā)布評論請先 登錄
相關(guān)推薦
python實(shí)現(xiàn)網(wǎng)頁爬蟲爬取圖片
來實(shí)現(xiàn)這樣一個簡單的爬蟲功能,把我們想要的代碼爬取到本地,功能有點(diǎn)類似我們之前學(xué)過的批處理。下面就看看如何使用python來實(shí)現(xiàn)這樣一個功能,主要分為三步,如下:一. 獲取整個頁面數(shù)據(jù)首先我們可以先
發(fā)表于 04-05 15:32
Python爬蟲與Web開發(fā)庫盤點(diǎn)
Python爬蟲和Web開發(fā)均是與網(wǎng)頁相關(guān)的知識技能,無論是自己搭建的網(wǎng)站還是爬蟲爬去別人的網(wǎng)站,都離不開相應(yīng)的Python庫,以下是常用的Python爬蟲與Web開發(fā)庫。1.爬蟲庫
發(fā)表于 05-10 15:21
基于Python3對攜程網(wǎng)頁上北京五星級酒店列表的爬取
Python3 爬取攜程網(wǎng)[1] 根據(jù)好評優(yōu)先順序,獲取北京五星級酒店列表
發(fā)表于 04-19 16:25
基于Python實(shí)現(xiàn)一只小爬蟲爬取拉勾網(wǎng)職位信息的方法
通俗易懂的分析如何用Python實(shí)現(xiàn)一只小爬蟲,爬取拉勾網(wǎng)的職位信息
發(fā)表于 05-17 06:54
python學(xué)習(xí)筆記-安裝scrapy
的。。下載后會自動安裝 OK,Scrapy終于完全安裝完畢了我將所有安裝文件以及上文提到的python代碼也一起打包,下載地址在下面 http://download.csdn.net/detail/tkfeng29/900266
發(fā)表于 07-10 07:49
如何使用Scrapy爬取網(wǎng)站數(shù)據(jù)
網(wǎng)頁抓取的主要目標(biāo)是從無結(jié)構(gòu)的來源提取出結(jié)構(gòu)信息。Scrapy爬蟲以Python字典的形式返回提取數(shù)據(jù)。盡管Python字典既方便又熟悉,但仍然不夠結(jié)構(gòu)化:字段名容易出現(xiàn)拼寫錯誤,返回不一致的信息,特別是在有多個爬蟲的大型項目中
python爬蟲框架Scrapy實(shí)戰(zhàn)案例!
tart_urls:爬取的URL列表。爬蟲從這里開始抓取數(shù)據(jù),所以,第一次下載的數(shù)據(jù)將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
如何用python爬取抖音app數(shù)據(jù)
記錄一下如何用python爬取app數(shù)據(jù),本文以爬取抖音視頻app為例。
評論