Python数据爬取【大略总结】

2023-12-15 03:50

本文主要是介绍Python数据爬取【大略总结】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数据采集

数据来源

  • 从网上爬取数据
  • 从本地系统收集数据
    • 文件、数据库等
  • 网络数据采集模型
    在这里插入图片描述

常用数据爬取工具

第三方库实现爬取

Requests、Ixml
灵活,简单

PySpider爬虫框架

  • 提供WebUI界面编程及管理爬虫
  • 上手快,学习简单
  • 对windows操作系统支持很差

Scrapy爬虫框架

  • 功能强大
  • 可定制性强(可以只用框架的一部分)
  • 多线程,爬取效率高
  • 可以塔键集群(分布式)

安装配置Scrapy框架

安装Scrapy

conda install scrapy

配置Scrapy环境变量

  • 将Anaconda的Scripts文件夹加入到Path环境变量中

创建scrap项目的命令

scrapy startproject 新工程名

创建Spider

scrapy genspider 爬虫名 start url

修改parse()方法,在控制台输出文本

启动Spider

scrapy crawl 爬虫名

Debug爬虫工程(重点)

使用Python脚本执行命令行启动爬虫

  • 在项目根目录添加脚本文件
  • 调用Scrapy框架的命令执行方法启动爬虫
    • cmdline模块
    • execute()方法

Scrapy框架组成

spiders文件夹

  • 定义爬虫文件

items.py

  • 定义框架内数据传输格式

pipelines.py

  • 数据保存模块

middlewares.py

  • 中间件模块

settings.py

  • 框架配置模块
    在这里插入图片描述

Scrapy返回爬取页面数据

通过解析方法返回爬取页面数据

  • parse()方法的response参数
  • response对象常用属性和方法
属性或方法作用
url当前返回数据所对应的页面url
statushttp请求状态码
meta用于request与response之间的数据传递
body返回页面html源码、如果纯正则表达式匹配数据,需要获得页面html源码
xpath()使用xpath选择器解析网页
css()使用css选择器解析网页

在Scrapy爬虫框架中提取网页数据的方法

xpath选择器

  • 用于选择XML文档中的节点的语言,可以与HTML一起使用

css选择器

  • 用于将样式应用于HTML文档的语言
  • 将样式与特定的HTML元素相关联
  • Scrapy中css选择器的代码最后也会转换成xpath选择器的代码

正则表达式

  • 提取非标签内容

xpath语法

  • 使用路径表达式来选取XML文档中的节点活结点集
表达式描述
nodename选取节点名
/从根节点选取
//选取所有符合条件的节点,而不考虑他们的位置
.选取当前节点
选取当前节点的父节点
@选取属性
  • 谓语用来查找某个特定节点或者包含某个指定的值的节点
  • 谓语被嵌入在方括号中
路径表达式结果
/bookstore/book[1]选取属于bookstore子元素的第一个book元素
//title[@lang]选取所有拥有名为lang的属性的title元素
//title[@lang=‘eng’]选取所有拥有值为eng的lang属性的title元素

路径表达式例举

路径表达式结果
/bookstore选取根元素booksotre
/bookstore/book选取属于bookstore的子元素的所有book元素
//book选取所有book子元素,而不管他们在文档中的位置
/bookstore/book选取属于bookstore元素的后代的所有book元素,而不管他们位于bookstore之下的什么位置
//@lang选取名为lang的所有属性
/bookstore/book/text()选取属于bookstore的子元素的所有book元素的文本

xpath选择器

  • Scrapy中xpath选择器
    • 基于Ixml库
  • 获取选择器的网页数据
    • extract()
      • 提取selector列表中的网页数据
      • 如果列表为空,取下标为0的网页数据会抛出异常
    • extract_first()
      • 提取selector列表中下标为0的网页数据
      • 如果列表为空,不会抛出异常,返回None

爬取从页面中提取的URL

使用场景

  • 详情页爬取
  • 多层级目录爬取

提取URL发起HTTP请求

  • 构造request对象
    • 指定HTTP请求的URL
    • 指定处理这个页面的回调方法
    • 关闭去重标记
  • 使用yield返回request对象

request与对应的response传递数据

  • meta字典

Scrapy的item模块

item的作用

  • 定义框架中数据传输的形式

定义item

  • 定义Item类并继承scrapy.Item
  • 定义变量
    • 变量名
    • 变量类型
      - scrapy.Field()
  • 使用item
    • 使用字典的方式给item赋值
      • item[“变量名”] = 赋值
  • 使用yield返回item

这篇关于Python数据爬取【大略总结】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/495007

相关文章

Python基础文件操作方法超详细讲解(详解版)

《Python基础文件操作方法超详细讲解(详解版)》文件就是操作系统为用户或应用程序提供的一个读写硬盘的虚拟单位,文件的核心操作就是读和写,:本文主要介绍Python基础文件操作方法超详细讲解的相... 目录一、文件操作1. 文件打开与关闭1.1 打开文件1.2 关闭文件2. 访问模式及说明二、文件读写1.

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4