scrapy+xpath爬取不可描述网站[通俗易懂]

scrapy+xpath爬取不可描述网站[通俗易懂]今天来爬一个让人很有动力的网站,网址就不便放上来了,看看有没有有缘人能得知了还是先来items.pyimportscrapyclassAvmooItem(scrapy.Item):#definethefieldsforyouritemherelike:#name=scrapy.Field()name=scrapy.Field()

大家好,又见面了,我是你们的朋友全栈君。

今天来爬一个让人很有动力的网站,网址就不便放上来了,看看有没有有缘人能得知了这里写图片描述
还是先来items.py

import scrapy
 class AvmooItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name=scrapy.Field() birthday=scrapy.Field() age=scrapy.Field() height=scrapy.Field() cup=scrapy.Field() bust=scrapy.Field() waistline=scrapy.Field() hipline=scrapy.Field() birthplace=scrapy.Field() Avatar=scrapy.Field() designations=scrapy.Field() des_imgs=scrapy.Field() des_urls=scrapy.Field()

各位施主从这些字段应该就可以看出来了吧
接下来就是主爬取程序了
spider.py

# -*- coding:utf-8 -*-

import scrapy
from AVMOO.items import AvmooItem
import os
import requests

class AvmooSpider(scrapy.Spider):
    name='AVMOO'
    allowed_domains=['xxx.xx','jp.netcdn.space/digital/video/']#,'xxxx.xx']
    start_urls=['https://xxx.xx/cn/actresses/']
    base_url='https://xxx.xx'
    des_imgs=[]


    def parse(self,response):
        star_urls=response.xpath('//a[@class="avatar-box text-center"]/@href').extract()
        for star_url in star_urls:
            yield scrapy.Request(star_url,callback=self.star_item)
        next_url=self.base_url+response.xpath('//a[@name="nextpage"]/@href').extract()[0]
        if next_url:
            yield scrapy.Request(next_url,callback=self.parse)

    def star_item(self,response):
        item=AvmooItem()
        item['name']=response.xpath('//span[@class="pb-10"]/text()').extract()[0]
        item['age']=response.xpath('//p/text()')[1].extract()
        item['birthday']=response.xpath('//p/text()')[0].extract()
        item['height']=response.xpath('//p/text()')[2].extract()
        item['cup']=response.xpath('//p/text()')[3].extract()
        item['bust']=response.xpath('//p/text()')[4].extract()
        item['waistline']=response.xpath('//p/text()')[5].extract()
        item['hipline']=response.xpath('//p/text()')[6].extract()
        item['birthplace']=response.xpath('//p/text()')[7].extract()
        self.mkdir('/home/shitfly/webspider/AVMOO/avmoo',item['name'])
        f=open(item['name']+'.txt','w+')
        print '写入个人信息'
        self.save_txt(item,f)
        movie_urls=response.xpath('//a[@class="movie-box"]/@href').extract()
        for movie_url in movie_urls:
            yield scrapy.Request(movie_url,meta={
  
  'item1':item},callback=self.movie_item)
        next_url=self.base_url+response.xpath('//a[@name="nextpage"]/@href').extract()[0]
        if next_url:
            yield scrapy.Request(next_url,meta={
  
  'item1':item},callback=self.star_item2)

    def star_item2(self,response):
        item1=response.meta['item1']
        movie_urls=response.xpath('//a[@class="movie-box"]/@href').extract()
        for movie_url in movie_urls:
            yield scrapy.Request(movie_url,meta={
  
  'item1':item1},callback=self.movie_item)
        try:
            next_url=self.base_url+response.xpath('//a[@name="nextpage"]/@href').extract()[0]
        except:
            pass
        if next_url:
            yield scrapy.Request(next_url,meta={
  
  'item1':item1},callback=self.star_item2)

    def movie_item(self,response):
        item=AvmooItem()
        item2=response.meta['item1']
        item['name']=item2['name']
        item['designations']=response.xpath('//span[@style="color:#CC0000;"]/text()').extract()[0]
        base_path='/home/shitfly/webspider/AVMOO/avmoo'+'/'+item['name']
        self.mkdir(base_path,item['designations'])
        cover=response.xpath('//a[@class="bigImage"]/img/@src').extract()[0]
        self.des_imgs=[]
        self.des_imgs.append(cover)
        des_imgs=response.xpath('//a[@class="sample-box"]/div[@class="photo-frame"]/img/@src').extract()
        for des_img in des_imgs:
            s=des_img.split('-')
            s[0]=s[0]+str('jp-')
            des_img=''.join(i for i in s)
            self.des_imgs.append(des_img)
        item['des_imgs']=self.des_imgs
        yield item


    def mkdir(self,base_path,title): #title是文件夹名
        title=title.strip()
        isExists=os.path.exists(os.path.join(base_path,title))
        if not isExists:
            print "新建",title,"文件夹"
            os.makedirs(os.path.join(base_path,title))
            os.chdir(os.path.join(base_path,title))
        else:
            print title,'已存在'
            os.chdir(os.path.join(base_path,title))
        return True

    def save_txt(self,item,f):
        it=[]
        inf=['age','birthday','height','cup','bust','waistline','hipline','birthplace']
        for i in inf:
            it.append(item[i])
        for it_e in it:
            it_e=it_e+'\n'
            f.write(it_e.encode('utf-8'))

网址已被和谐,这里希望图片保存到本地,所以还是在磁盘中建立文本文件和文件夹。想要传递字段的话,使用meta={‘item1’:item},下一个函数接收是item1=response.meta[‘item1’]。

保存图片的话在管道中来进行保存
pipelines.py

import requests

class AvmooPipeline(object):
    def process_item(self, item, spider):
        des_imgs=item['des_imgs']
        path='/home/shitfly/webspider/AVMOO/avmoo'+'/'+item['name']+'/'+item['designations']
        for i in range(len(des_imgs)):
            image=requests.get(des_imgs[i])
            path_i=path+'/'+str(i)+'.jpg'
            f=open(path_i,'wb')
            f.write(image.content)
            f.close()
            print u'正在保存图片:',des_imgs[i]
            print u'图片路径:',path_i
            print u'文件:',path


        return item

需要在settings.py中使用这个管道

ITEM_PIPELINES = {
    'AVMOO.pipelines.AvmooPipeline': 300,
}

来重写一下下载中间件编写您自己的下载器中间件
middlewares.py

import random

class RandomUserAgentMiddleware(object):

    def __init__(self,agents):
        self.agents=agents

    @classmethod
    def from_crawler(cls,crawler):
        return cls(crawler.settings.getlist('USER_AGENTS'))

    @classmethod
    def from_settings(cls, settings):
        return cls(settings.getlist('USER_AGENTS'))

    def process_request(self,request,spider):
        us=random.choice(self.agents)
        print us
        request.headers.setdefault('User-Agent',us)

在settings.py中加入一个USER_AGENTS = […]的列表

DOWNLOADER_MIDDLEWARES = {
'AVMOO.middlewares.RandomUserAgentMiddleware': 543,}

就可以随机使用一个USER_AGENTS了

在settings.py中添加

CONCURRENT_ITEMS=100#默认Item并发数
CONCURRENT_REQUESTS=16#默认Request并发数
CONCURRENT_REQUESTS_PER_DOMAIN = 16#默认每个域名的并发数
CONCURRENT_REQUESTS_PER_IP = 0#每个ip的最大并发数,0表示忽略 

settings

未完待续。。。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/130247.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • laravel5 数据库配置(MySQL)

    laravel5 数据库配置(MySQL)

  • pytest的使用_新代子程序重复调用

    pytest的使用_新代子程序重复调用Pytest执行用例规则Pytest在命令行中支持多种方式来运行和选择测试用例1.对某个目录下所有的用例pytest2.对模块中进行测试pytesttest_mod.py3.对文件夹进行

  • centos7 yum安装MongoDB[通俗易懂]

    centos7 yum安装MongoDB[通俗易懂]原文博客地址http://xgs888.top/post/view?id=64centos7yum安装mongodb;1:创建仓库vi/etc/yum.repos.d/mongodb-org-3.4.repo2:把下面的内容复制到文件中保存退出[mongodb-org-3.4]name=MongoDBRepositorybaseurl

  • shiro安全框架_漏洞利用及攻击框架

    shiro安全框架_漏洞利用及攻击框架一、Shiro漏洞原理ApacheShiro框架提供了记住我的功能(RemeberMe),用户登录成功后会生成经过加密并编码的cookie。cookie的key为RemeberMe,cookie的值是经过对相关信息进行序列化,然后使用aes加密,最后在使用base64编码处理形成的在服务端接收cookie值时,按以下步骤解析:检索RemeberMecookie的值Base64解码使用ACE解密(加密密钥硬编码)进行反序列化操作(未作过滤处理)在调用反序列化的时候未进行任何过滤,导致

  • 小学计算机画线反思,小学四年级数学上册《画平行线》教学反思[通俗易懂]

    小学计算机画线反思,小学四年级数学上册《画平行线》教学反思[通俗易懂]小学四年级数学上册《画平行线》教学反思过去,对于平行线的画法,我也感到很不理解,特别是用尺子移来移去,实在太麻烦,对于平行线的理解,学生只知道“在同一平面内不相交的两条直线是平行线”,而不相交的实质是“两条直线间的距离是固定的.”学生并没有直观感受。正是基于这样的认识画平行线的教学只能由教师传授给学生,他们也只能是机械的模仿,也就是简单的完成操作工的活动,没有任何思维的含量,不能算真正意义上的脑力…

  • SMOTE算法代码实现

    SMOTE算法代码实现类别不平衡问题类别不平衡问题,顾名思义,即数据集中存在某一类样本,其数量远多于或远少于其他类样本,从而导致一些机器学习模型失效的问题。例如逻辑回归即不适合处理类别不平衡问题,例如逻辑回归在欺诈检测问题中,因为绝大多数样本都为正常样本,欺诈样本很少,逻辑回归算法会倾向于把大多数样本判定为正常样本,这样能达到很高的准确率,但是达不到很高的召回率。类别不平衡问题在很多场景中存在,例如欺诈检测,风控识…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号