1はじめに
みなさん、こんにちは、アンゴです!
ご存知のとおり、Pythonで最も人気のあるクローラーフレームワークはScrapyです。これは、主にWebサイトの構造データをクロールするために使用されます。
今日は、よりシンプルで軽量、そして強力なクローラーフレームワークをお勧めします:feapder
プロジェクトアドレス:
2.はじめにとインストール
Scrapyと同様に、feapderは軽量クローラー、分散クローラー、バッチクローラー、クローラーアラームメカニズムおよびその他の機能をサポートします
3つの組み込みクローラーは次のとおりです。
-
AirSpider
単純なシナリオと少量のデータを持つクローラーに適した軽量クローラー
-
クモ
Redisに基づく分散クローラーは、大量のデータに適しており、ブレークポイント連続クロール、自動データストレージなどの機能をサポートします。
-
BatchSpider
分散バッチクローラー。主に定期的な収集が必要なクローラーに使用されます
実際の戦闘の前に、対応する依存関係ライブラリを仮想環境にインストールします
# 安装依赖库
pip3 install feapder
复制代码
3.戦いましょう
最も単純なAirSpiderを使用して、いくつかの単純なデータをクロールします
ターゲットWebサイト:aHR0cHM6Ly90b3BodWIudG9kYXkvIA ==
詳細な実装手順は次のとおりです(5つの手順)
3-1クローラープロジェクトを作成する
まず、「feapder create -p」コマンドを使用して、クローラープロジェクトを作成します
# 创建一个爬虫项目
feapder create -p tophub_demo
复制代码
3-2クローラーAirSpiderを作成する
コマンドラインからspidersフォルダーに移動し、「feapdercreate-s」コマンドを使用してクローラーを作成します
cd spiders
# 创建一个轻量级爬虫
feapder create -s tophub_spider 1
复制代码
の
-
1がデフォルトです。これは、軽量のクローラーAirSpiderを作成することを意味します。
-
2は、分散クローラースパイダーの作成を表します
-
3は、分散バッチクローラーBatchSpiderの作成を表します
3-3データベースの構成、データテーブルの作成、マッピングアイテムの作成
Mysqlを例にとると、最初にデータベースにデータテーブルを作成します
# 创建一张数据表
create table topic( id int auto_increment primary key, title varchar(100) null comment '文章标题', auth varchar(20) null comment '作者', like_count int default 0 null comment '喜欢数', collection int default 0 null comment '收藏数', comment int default 0 null comment '评论数');
复制代码
次に、プロジェクトのルートディレクトリにあるsettings.pyファイルを開いて、データベース接続情報を構成します。
# settings.py
MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "xag"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"
复制代码
最後に、マッピングアイテムを作成します(オプション)
itemsフォルダーに移動し、「feapder create -i」コマンドを使用して、データベースにマップするファイルを作成します
PS:AirSpiderは自動データストレージをサポートしていないため、この手順は必要ありません
3-4書き込みクローラーとデータ分析
最初のステップは、「MysqlDB」を使用してデータベースを初期化することです。
from feapder.db.mysqldb import MysqlDB
class TophubSpider(feapder.AirSpider):
def __init__(self, *args, **kwargs):
super().__init__(*args, **kwargs)
self.db = MysqlDB()
复制代码
2番目のステップのstart_requestsメソッドで、クロールするメインリンクのアドレスを指定し、キーワード「download_midware」を使用してランダムUAを構成します
import feapder
from fake_useragent import UserAgent
def start_requests(self):
yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)
def download_midware(self, request):
# 随机UA
# 依赖:pip3 install fake_useragent
ua = UserAgent().random
request.headers = {'User-Agent': ua}
return request
复制代码
3番目のステップは、ホームページのタイトルとリンクアドレスをクロールすることです。
feapderの組み込みメソッドxpathを使用してデータを解析します
def parse(self, request, response):
# print(response.text)
card_elements = response.xpath('//div[@class="cc-cd"]')
# 过滤出对应的卡片元素【什么值得买】
buy_good_element = [card_element for card_element in card_elements if
card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]
# 获取内部文章标题及地址
a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')
for a_element in a_elements:
# 标题和链接
title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
href = a_element.xpath('.//@href').extract_first()
# 再次下发新任务,并带上文章标题
yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
title=title)
复制代码
4番目のステップは、詳細ページのデータをクロールすることです
前のステップでは、新しいタスクが発行され、「callback」というキーワードでコールバック関数が指定され、最後に、parser_detail_pageの詳細ページでデータ分析が実行されます。
def parser_detail_page(self, request, response):
"""
解析文章详情数据
:param request:
:param response:
:return:
"""
title = request.title
url = request.url
# 解析文章详情页面,获取点赞、收藏、评论数目及作者名称
author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()
print("作者:", author, '文章标题:', title, "地址:", url)
desc_elements = response.xpath('//span[@class="xilie"]/span')
print("desc数目:", len(desc_elements))
# 点赞
like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
# 收藏
collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
# 评论
comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])
print("点赞:", like_count, "收藏:", collection_count, "评论:", comment_count)
复制代码
3-5データストレージ
上記でインスタンス化されたデータベースオブジェクトを使用して、SQLを実行し、データベースにデータを挿入します。
# 插入数据库
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
title, author, like_count, collection_count, comment_count)
# 执行
self.db.execute(sql)
复制代码
4.最後に
この記事では、簡単な例を通して、feapderの最も単純なクローラーAirSpiderについて説明します
feapderの高度な機能の使用については、後で一連の例を使用して詳しく説明します。
記事のすべてのコードを公式アカウントのバックグラウンドにアップロードし、バックグラウンドでキーワード「 airspider 」に返信して完全なソースコードを取得しました
記事が悪くないと思われる場合は、いいね 、シェア、メッセージを残してください 。これが、より高品質な記事を出力し続けるための最大のモチベーションになるからです。