• 最新活动
  • 产品
    • 云计算

      云服务器 热销

      高速稳定高弹性的计算服务

      负载均衡

      高性能流量分发的负载均衡服务

      对象存储

      高可用、易扩展、低成本、一站式

      云数据库 MySQL

      稳定可靠、可弹性伸缩的数据方案

      云数据库 SQL Server

      安全运行、轻松管理的数据方案

    • 网站服务

      云虚拟主机 热销

      基于云计算的虚拟主机服务

      域名注册 火爆进行中

      提供主流域名注册服务

      CDN加速

      智能调度的内容分发服务

      短信服务

      提供专业、稳定、安全的云通信产品

      华为云代理

      华为云高折扣高返点

    • IDC服务

      服务器托管

      安全贴心高品质的托管服务

      裸金属服务器

      高性能安全隔离物理集群服务

      大带宽

      专有网络传输通道,完全隔离

      壹站邦分销系统

      一键部署、低成本、快速运营

      阿里云代理

      阿里云新购升级皆有返点

    • 安全与管理

      SSL证书 热销

      提供一站式的证书部署服务

      云监控

      精准灵活超便捷的资源预警服务

      网站备案

      免费、快速、便捷的备案服务

      DDOS高防 防不住包退

      一秒切换,无需更换IP,误伤率可降为0

  • 保障
    • 信任中心 >

      基础设施与网络

      服务保障能力

      数据安全

      合规资质

    • 数据中心 >

      中国内蒙数据中心

      中国大连数据中心

      中国深圳数据中心

      中国香港数据中心

    • VIP会员服务 >

      7*24小时服务支持

      0元快速备案

      100倍故障赔偿

      5天无理由退款

    • 防诈骗公益宣传 >

      行为识别

      安全防范

      典型案例

      法律法规

  • 解决方案
    • 行业解决方案

      网站解决方案

      游戏云解决方案

    •  

      金融云解决方案

    •  

      电商云解决方案

    •  

      移动云解决方案

  • 帮助中心
  • 腾讯云
    • 腾讯云

      腾讯云优惠 上云最佳选择

      腾讯云最新的促销打折、腾讯云优惠折扣

      腾讯云服务器

      腾讯云服务器(CVM)为您提供安全可靠的弹性云计算服务

      腾讯云数据库

      腾讯云数据库是腾讯云提供的高可靠、高可用、可弹性伸缩的云数据库服务产品的总称

      腾讯云轻量服务器

      腾讯云轻量应用服务器是一种易于使用和管理、适合承载轻量级业务负载的云服务器

      腾讯云GPU服务器

      AI加速 科学计算 实时渲染首选,让AI更有温度,体验身临其境

    • 腾讯云

      美颜特效

      腾讯云美颜特效SDK、API

      实时音视频

      腾讯云实时音视频SDK、API

      直播SDK

      腾讯云直播SDK、API

      即时通信IM

      腾讯云即时通信IM、聊天SDK、API

      人脸核身

      腾讯云人脸核身SDK、API

    • 腾讯云

    • 腾讯云

      腾讯云服务支持

      一站式服务,安心购,无忧用

    • 腾讯云

      服务支持

      一站式服务,安心购,无忧用

  • 关于我们
  • 备案
  • 控制台
-
  • 前往实名认证 >
  • 账户余额 -元
  • 产品管理 -
  • 未支付订单 -
  • 我的工单 -
  • 新消息 -
  • 退出账号
账号登录 快速注册

关于我们

质量为本、客户为根、勇于拼搏、务实创新

  • 公司简介
  • 新闻公告
  • 联系我们
  • 法律声明
  • 友情链接

新闻公告

  • 优惠活动
  • 公司公告
  • 腾讯云
< 返回新闻公共列表

爬虫系列(11)Scrapy 数据的提取和保存以及Pipeline

发布时间:2022-06-10 23:19:47

1.Scrapy提取项目

从网页中提取数据,Scrapy 使用基于 XPath 和 CSS 表达式的技术叫做选择器。以下是 XPath 表达式的一些例子:

  • 这将选择 HTML 文档中的 <head> 元素中的 <title> 元素
/html/head/title
复制
  • 这将选择 <title> 元素中的文本
/html/head/title/text()
复制
  • 这将选择所有的 <td> 元素
//td
复制
  • 选择 div 包含一个属性 class=”slice” 的所有元素
//div[@class=”slice”]
复制

选择器有四个基本的方法,如下所示:

S.N.

方法 & 描述

extract()

它返回一个unicode字符串以及所选数据

extract_first()

它返回第一个unicode字符串以及所选数据

re()

它返回Unicode字符串列表,当正则表达式被赋予作为参数时提取

xpath()

它返回选择器列表,它代表由指定XPath表达式参数选择的节点

css()

它返回选择器列表,它代表由指定CSS表达式作为参数所选择的节点

2.Scrapy Shell

如果使用选择器想快速的到到效果,我们可以使用Scrapy Shell

scrapy shell "http://www.163.com"
复制

注意windows系统必须使用双引号

2.1 举例

从一个普通的HTML网站提取数据,查看该网站得到的 XPath 的源代码。检测后,可以看到数据将在UL标签,并选择 li 标签中的 元素。

代码的下面行显示了不同类型的数据的提取:

  • 选择 li 标签内的数据:
response.xpath('//ul/li')
复制
  • 对于选择描述:
response.xpath('//ul/li/text()').extract()
复制
  • 对于选择网站标题:
response.xpath('//ul/li/a/text()').extract()
复制
#对于选择网站的链接
response.xpath('//ul/li/a/@href').extract()
复制

3. 数据的提取

3.1 控制台打印

import scrapyclass DoubanSpider(scrapy.Spider):
    name = 'douban'
    allwed_url = 'douban.com'
    start_urls = [
        'https://movie.douban.com/top250/'
    ]

    def parse(self, response):
        movie_name = response.xpath("//div[@class='item']//a/span[1]/text()").extract()
        movie_core = response.xpath("//div[@class='star']/span[2]/text()").extract()
        yield {
            'movie_name':movie_name,
            'movie_core':movie_core        }
复制

执行以上代码,我可以在控制看到:

2018-01-24 15:17:14 [scrapy.utils.log] INFO: Scrapy 1.5.0 started (bot: spiderdemo1)2018-01-24 15:17:14 [scrapy.utils.log] INFO: Versions: lxml 4.1.1.0, libxml2 2.9.5, cssselect 1.0.3, parsel 1.3.1, w3lib 1.18.0, Twiste
d 17.9.0, Python 3.6.3 (v3.6.3:2c5fed8, Oct  3 2017, 18:11:49) [MSC v.1900 64 bit (AMD64)], pyOpenSSL 17.5.0 (OpenSSL 1.1.0g  2 Nov 2017), cryptography 2.1.4, Platform Windows-10-10.0.10240-SP02018-01-24 15:17:14 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'spiderdemo1', 'NEWSPIDER_MODULE': 'spiderdemo1.spiders','ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['spiderdemo1.spiders']}2018-01-24 15:17:14 [scrapy.middleware] INFO: Enabled extensions:['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.logstats.LogStats']2018-01-24 15:17:14 [scrapy.middleware] INFO: Enabled downloader middlewares:['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']2018-01-24 15:17:14 [scrapy.middleware] INFO: Enabled spider middlewares:['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']2018-01-24 15:17:14 [scrapy.middleware] INFO: Enabled item pipelines:[]2018-01-24 15:17:14 [scrapy.core.engine] INFO: Spider opened2018-01-24 15:17:14 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)2018-01-24 15:17:14 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:60232018-01-24 15:17:14 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://movie.douban.com/robots.txt> (referer: None)2018-01-24 15:17:15 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET https://movie.douban.com/top250> from <GET
 https://movie.douban.com/top250/>2018-01-24 15:17:15 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://movie.douban.com/top250> (referer: None)2018-01-24 15:17:15 [scrapy.core.scraper] DEBUG: Scraped from <200 https://movie.douban.com/top250>{'movie_name': ['肖申克的救赎', '霸王别姬', '这个杀手不太冷', '阿甘正传', '美丽人生', '千与千寻', '泰坦尼克号', '辛德勒的名单', '盗梦空
间', '机器人总动员', '海上钢琴师', '三傻大闹宝莱坞', '忠犬八公的故事', '放牛班的春天', '大话西游之大圣娶亲', '教父', '龙猫', '楚门的世
界', '乱世佳人', '熔炉', '触不可及', '天堂电影院', '当幸福来敲门', '无间道', '星际穿越'], 'movie_core': ['9.6', '9.5', '9.4', '9.4', '9.5', '9.2', '9.2', '9.4', '9.3', '9.3', '9.2', '9.1', '9.2', '9.2', '9.2', '9.2', '9.1', '9.1', '9.2', '9.2', '9.1', '9.1', '8.9', '9.0', '9.1']}2018-01-24 15:17:15 [scrapy.core.engine] INFO: Closing spider (finished)2018-01-24 15:17:15 [scrapy.statscollectors] INFO: Dumping Scrapy stats:{'downloader/request_bytes': 651,
 'downloader/request_count': 3,
 'downloader/request_method_count/GET': 3,
 'downloader/response_bytes': 13900,
 'downloader/response_count': 3,
 'downloader/response_status_count/200': 2,
 'downloader/response_status_count/301': 1,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2018, 1, 24, 7, 17, 15, 247183),
 'item_scraped_count': 1,
 'log_count/DEBUG': 5,
 'log_count/INFO': 7,
 'response_received_count': 2,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'start_time': datetime.datetime(2018, 1, 24, 7, 17, 14, 784782)}2018-01-24 15:17:15 [scrapy.core.engine] INFO: Spider closed (finished)
复制

3.2 以文件的方式输出

3.2.1 python原生方式
with open("movie.txt", 'wb') as f:
    for n, c in zip(movie_name, movie_core):
        str = n+":"+c+"\n"
        f.write(str.encode())
复制
3.2.2 以scrapy内置方式

scrapy 内置主要有四种:JSON,JSON lines,CSV,XML

我们将结果用最常用的JSON导出,命令如下:

scrapy crawl dmoz -o douban.json -t json
复制

-o 后面是导出文件名,-t 后面是导出类型

4.提取内容的封装Item

Scrapy进程可通过使用蜘蛛提取来自网页中的数据。Scrapy使用Item类生成输出对象用于收刮数据

Item 对象是自定义的python字典,可以使用标准字典语法获取某个属性的值

4.1 定义
import scrapyclass InfoItem(scrapy.Item):
    # define the fields for your item here like:
    movie_name = scrapy.Field()
    movie_core = scrapy.Field()
复制
4.2 使用
def parse(self, response):
    movie_name = response.xpath("//div[@class='item']//a/span[1]/text()").extract()
    movie_core = response.xpath("//div[@class='star']/span[2]/text()").extract()
    
    for n, c in zip(movie_name, movie_core):
        movie = InfoItem()
        movie['movie_name'] = n
        movie['movie_core'] = c        yield movie
复制

5. Item Pipeline 介绍

当Item 在Spider中被收集之后,就会被传递到Item Pipeline中进行处理

每个item pipeline组件是实现了简单的方法的python类,负责接收到item并通过它执行一些行为,同时也决定此Item是否继续通过pipeline,或者被丢弃而不再进行处理

item pipeline的主要作用:

  1. 清理html数据
  2. 验证爬取的数据
  3. 去重并丢弃
  4. 讲爬取的结果保存到数据库中或文件中

6. 编写自己的item pipeline

6.1 必须实现的函数

  • process_item(self,item,spider)

每个item piple组件是一个独立的pyhton类,必须实现以process_item(self,item,spider)方法

每个item pipeline组件都需要调用该方法,这个方法必须返回一个具有数据的dict,或者item对象,或者抛出DropItem异常,被丢弃的item将不会被之后的pipeline组件所处理

6.2 可以选择实现

  • open_spider(self,spider)表示当spider被开启的时候调用这个方法
  • close_spider(self,spider)当spider关闭时候这个方法被调用

6.3 应用到项目

import jsonclass MoviePipeline(object):
    def process_item(self, item, spider):
        json.dump(dict(item), open('diban.json', 'a', encoding='utf-8'), ensure_ascii=False)
        return item
复制

注意:

写到pipeline后,要在settings中设置才可生效

ITEM_PIPELINES = {
    'spiderdemo1.pipelines.MoviePipeline': 300}
复制

6.4 将项目写入MongoDB

MongoDB地址和数据库名称在Scrapy设置中指定; MongoDB集合以item类命名

from pymongo import MongoClient
from middle.settings import HOSTfrom middle.settings import PORTfrom middle.settings import DB_NAMEfrom middle.settings import SHEET_NAMEclass MiddlePipeline(object):
    def __init__(self):
        client = MongoClient(host=HOST, port=PORT)
        my_db = client[DB_NAME]
        self.sheet = my_db[SHEET_NAME]

    def process_item(self, item, spider):
        self.sheet.insert(dict(item))
        return item



本文链接:https://www.yzban.cn/news/content/125.html 复制本文链接 链接已复制
/template/Home/ShiwaiA1/PC/Static
注册即可领取40+款免费体验产品,为您提供优质的上云实践机会。企业用户最高可获得180天云服务器体验时长
开始体验
  • 5天内无理由退款
  • 免费备案
  • 1V1大客户服务
  • 7x24小时服务
  • 壹站邦

    • 官方公告
    • 荣誉资质
    • 服务协议
    • 法律声明
    • 关于我们
  • 行业解决方案

    • 游戏云解决方案
    • 金融解决方案
    • 电商解决方案
    • 网站解决方案
    • 移动云解决方案
  • 帮助与支持

    • 账户问题
    • 备案指南
    • 常见问题
    • 网站备案
    • 工单服务
  • 合作与生态

    • 合作伙伴
    • 壹站邦分销系统
    • 业界动态
    • 联系我们
    • 服务市场
  • 管理控制中心

    • 控制中心
    • 续费管理
    • 订单管理
    • 财务管理
    • 账户管理
服务热线:Array联系我们
简体中文
  • 简体中文
  • English
  • 繁体中文

深圳市壹站邦科技有限公司
旗下品牌:壹站邦
服务热线

18682484654 18129837002

热门产品

  • 域名注册
  • 云服务器
  • 云虚拟主机
  • 负载均衡
  • 网络加速
  • 云数据库
  • 对象存储
  • SSL证书
  • 裸金属

帮助中心

  • 文档中心
  • 账户问题
  • 备案指南
  • 控制台使用
  • 常见问题
  • 法律法规
  • WHOIS查询
  • 工单服务
  • 服务协议
Copyright © 2018-2021 yzban.cn. All Rights Reserved. 壹站邦科技 版权所有
粤公网安备 44030502007900号 工信部备案:粤ICP备2021101436号 统一社会信用代码:91440300MA5EDUAQ8N 授权代理商:华为技术有限公司
简体中文
  • 简体中文
  • English
  • 繁体中文
  • QQ咨询
    联系客服获取更多优惠
    • 921184386
    • 412442617
  • 微信咨询
    腾讯云优惠,阿里云折扣,腾讯云代理商,阿里云代理商,华为云代理商,腾讯云服务器,腾讯云代金券,阿里云代金券,腾讯云返点,阿里云返点,华为云返点,阿里云续费,腾讯云阿里云,腾讯服务器,ddos高防大客户报价,技术方案
  • 电话咨询
    请选择客服进行咨询
    • 18129837002
    • 18682484654
  • 备案
  • 工单
  • TOP