python爬虫英文怎么说 | 您所在的位置:网站首页 › 数据的翻译英文怎么说 › python爬虫英文怎么说 |
使用scrapy.Request函数的meta参数来在两次请求的响应中传值 对于动态js页面的处理:此次,网页是在加载之后自动执行js代码来修改html元素的属性,添加链接。首先我想到的是按着js代码来改出相应的python代码,用python代码的运算得到最终想要获取的值,虽然速度会快,但是比较繁琐,而且不够通用,也有可能有潜藏的问题,于是还是选择了最通用的selenium来控制浏览器加载页面,再获取自动运行js后的页面,然后利用正则分析页面,这样稍微慢一些,但是比较比较便捷稳定。 此外,此次爬取的网盘它的资源是放在不同的服务器上的,对应的是wwwxy.zippyshare.com,xy是数字来区别不同的服务器,所以在页面上获取到相对路由后要加上正确的服务器域名;还有就是这个网站的网盘资源链接具有时效性,过一段时间后它会重置资源的获取路径,而原来的资源链接会重新路由到下载界面;关于后处理中的迅雷下载,我采用了将所有链接放在一个txt文件里的方法,复制所有链接时迅雷会侦听到并询问下载,同时也生成了另一篇文章中的markdown文件方便挑选。另外,还有个小bug就是scrapy会打开两个浏览器窗口,但是只用一个,不影响功能,暂时没管,有朋友赐教的话,非常感谢。 Scrapy爬虫 我命名文件为book1.py,使用scrapy runspider book1.py -o 2.json运行。 用的是selenium操作Chrome浏览器,Chromedriver下载,使用时要指定该可执行文件的位置。 修改第7行的search_what获取其它资源的所有相关书籍链接,这里我选的是python。 # -*- coding: utf-8 -*- import scrapy from selenium import webdriver import re search_what = 'python' browser = webdriver.Chrome(r'E:\python\Scrapy2\book\book\spiders\chromedriver') # 指定Chromedriver.exe的位置 class Book1Spider(scrapy.Spider): name = "book1" allowed_domains = ["foxebook.net", "zippyshare.com"] down_base_url = ".zippyshare.com" # wwwxy,xy为数字代表不同服务器 search_url = "http://www.foxebook.net/search/{}/page/{}" book_base_url = "http://www.foxebook.net" wd = browser # 获得浏览器对象 reg = re.compile('') headers = { "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36", } num = 0 # 页数 def start_requests(self): # 默认的开始函数,用于提供要爬取的链接 yield scrapy.Request(self.search_url.format(search_what, 0), headers = self.headers, callback = self.first_parse) def first_parse(self, response): max_page = response.css('.next a::attr("href")').extract_first().split('/')[-2] print(int(max_page)) while self.num < int(max_page): self.num += 1 yield scrapy.Request(self.search_url.format(search_what, self.num), headers = self.headers, callback = self.list_parse) def list_parse(self, response): title = response.css('h3 a::text').extract() img = response.css('.img-responsive::attr("src")').extract() download = response.css(' .btn-info::attr("href")').extract() info = response.css('.info~ .info+ .info i::text').extract() for t, im, d, inf in zip(title, img, download, info): meta = {} # 使用 meta参数 传值 meta['title'] = t meta['img'] = im meta['info'] = inf yield scrapy.Request(self.book_base_url + d, meta = meta, headers = self.headers, callback = self.book_parse) def book_parse(self, response): book_url_list = response.css('.table-hover a::attr("href")').extract() for i in book_url_list: book_url = 'http' + i.split('http')[-1] if 'zip' in book_url: # 网盘名包含zip,以此做判断,其它网盘效果一般,不采用 self.wd.get(book_url) # 在浏览器中打开,通过self.wd.page_source获取浏览器里的响应内容 try: down_url = book_url.split('.')[0] + self.down_base_url + re.findall(self.reg, self.wd.page_source)[0] except: break yield { 'title':response.meta['title'], 'img':response.meta['img'], 'info':response.meta['info'], 'down_url':down_url, 'web_pan':book_url, } else: pass # Debug # from scrapy.shell import inspect_response # inspect_response(response, self) # scrapy runspider book1.py -o 2.json 数据后处理 # -*- coding: utf-8 -*- import json with open('2.json','r') as f: data = json.load(f) data = sorted(data, key =lambda x: x['info'][2:12], reverse=True) # 以出版日期对文章进行排序 with open("1.txt", 'w') as t: # 生成便于迅雷下载的链接文件 # 先打开迅雷,再复制该文件内容,迅雷会自动弹出询问是否下载所有链接 for i in data: t.write(i['down_url']+'\n') with open('1.md', 'w') as m: # 书籍有可能重复,但是链接是不同的,指向不同服务器 m.write('### 英文Python电子书籍下载链接:\n') for i in data: m.write('- **[{title}]({down_url})** \n *{info}*\n ![](http:{img}) \n --- \n'.format(**i)) # **i 表示解包字典 #import datetime #datetime.datetime.strptime(x, '%Y-%m-%d') |
CopyRight 2018-2019 实验室设备网 版权所有 |