実用的な操作| 0-1教えるから、あなたは気象観測所のネットワーク全体をクロールするためのPythonを使用します

Scrapy

PythonはScrapyがページから構造化データを、Webサイトをクロールし、抽出のための迅速、高レベルの画面スクレイピングやWebクロールフレームワークを開発しています。

まず、scrapyをインストール

インストールツイスト

• ねじれ：Pythonベースのイベント駆動型ネットワーキングエンジン用のパッケージ。

• ツイストをインストールするには、以下のURLで

URLます。https：//www.lfd.uci.edu/~gohlke/pythonlibs/

インストールscrapy

• CMDを入力します。pip install scrapy

• インストール、CMD、正常なインストールを表示さscrapyを入力してください。

第二に、scrapyを理解します

Scrapyコンポーネント

• エンジン、トランザクションをトリガする、システム全体のデータストリーム処理を処理するために使用されます。

• エンジンを介して送信される要求を受信するためのスケジューラは、キューに押し込まれ、再度場合、要求をエンジンを返しています。

• クモにWebコンテンツ、Webコンテンツとリターンをダウンロードするダウンローダ。

• スパイダー、スパイダーは、主要な仕事であり、特定のドメインまたはWebページを解決するためのルールを開発するためにそれを使用します。

• パイプラインプロジェクトは、データを検証し、店舗、メインタスクがクリアされている、Webプロジェクトから引き出されたクモを処理する責任を負っています。ページはクモを解析される場合は、プロジェクトがパイプラインに送られ、処理データのいくつかの特定の順序の後になります。

• ダウンローダミドルウェアフレームワークは、主エンジンとScrapyダウンローダの間のリクエストとレスポンスを扱う、フックおよびダウンローダScrapyエンジンとの間に位置します。

• クモミドルウェア、フレームとエンジンScrapyスパイダーとの間に介在フック、主要な仕事は、入力要求とスパイダーにプロセス出力応答です。

• ミドルウェアをスケジューリング、ミドルウェアは、エンジンからScrapyスケジューリング要求および応答に伝達されるエンジンとScrapyスケジューリング、との間に介在しています。

その処理の流れは次のとおりです。

• エンジンは、ドメイン名を開いたときに、ドメイン名クモを処理し、スパイダーはクロールのURLを取得します。

• エンジンは、スケジューリングにおいて、スケジューリング要求、その後、クロールクモから最初のURLを取得する必要があります。

• 次のページのクロールを取得したスケジューリングエンジンから。

• URLがエンジンに戻ってクロール次のスケジュール、エンジンは、ダウンロードミドルウェア経由でダウンロードするためにそれらを送信します。

• ダウンロードは、ダウンロードページを完了すると、コンテンツダウンロード応答は、ミドルウェアを介してエンジンに伝達されます。

• エンジンは、応答およびクモ中間送信処理を介してスパイダーにダウンロードを受信します。

• スパイダーは、プロセスをクロールし、プロジェクトへの応答を返し、その後、エンジンへの新しい要求を送信します。

• エンジンは、要求を送信する予定のパイプラインプロジェクトにクロールされます。

• 無スケジューリング要求されるまで、第二の部分の後ろにシステムを繰り返します。

第三に、プロジェクト分析

都市の気象情報ネットワークをクロール

URL：https://www.aqistudy.cn/historydata/

空気品質情報のそれぞれの日のための人気都市：キー情報をクロール

月をクリックしてだけでなく、日常の空気品質情報をクロール

第四に、新しいプロジェクト

• 新しいフォルダ]コマンド爬虫類の天気ネットワーク

• ルートディレクトリにcdし、オープンCMD、実行scrapy startproject weather_spider

• クモを作成します。

ルートディレクトリにcdし、実行します scrapy genspider weather www.aqistudy.cn/historydata

ここでは天気は蜘蛛の名前です

• 次のように作成されたパス：

V.コーディング

scrapyためのオブジェクト、最初のステップは、item.pyを書き込む必要があり、明確なクロール

• item.py

setting.pyで定義されている優れた迷彩クロールのためにUA、しなければならないMY_USER_AGENT名前に注意し、UAを保持するための設定に大文字でなければなりません

• settings.py

MY_USER_AGENT = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",]复制代码

あなたの後でmiddlewares.pyで作成した良いUA、定義し RandomUserAgentMiddleware たクラスを

• middlewares.py

UAのscrapy自体を削除するには900にする必要がありますsettings.pyを有効にするには注意してください

• setting.py

最も重要なspider.pyを書き始める、我々はステップのデバッグでscrapy.shellステップをお勧めします

• 街のすべてを取得する最初の

方法とlxmlのでXPath XPath構文のscrapyのように

私たちは、フロント部分は、クロールコールバックメソッドにより、次のURLをスケジュールするために都市名にメタメソッドを保存する必要性を通過することがあり、URL、URLが自動スプライシング方法に従って不足していることがわかります

• weather.py

def parse(self, response):    city_urls = response.xpath('//div[@class="all"]/div[@class="bottom"]//li/a/@href').extract()[16:17]    city_names = response.xpath('//div[@class="all"]/div[@class="bottom"]//li/a/text()').extract()[16:17]    self.logger.info('正在爬去{}城市url'.format(city_names[0]))    for city_url, city_name in zip(city_urls, city_names):        #  用的follow快捷方式，可以自动拼接url        yield response.follow(url=city_url, meta={'city': city_name}, callback=self.parse_month)复制代码

次に、定義されてparse_month機能、分析の詳細ページの最初の月は、URLの月を取得します

またはscrapy.shellのデバッグにステップバイステップ

真の最初の問題：スプライシング方法のURL、メタ、セレンに続く都市の名前を保存するために通過するCITY_NAME

その後、URLをクロールすることにより、次のコールバックメソッドをスケジュールする、すなわち、詳細ページのクロールの日です

• weather.py

def parse_month(self, response):    """    解析月份的url    :param response:    :return:    """    city_name = response.meta['city']    self.logger.info('正在爬取{}城市的月份url'.format(city_name[0]))    # 由于爬取的信息太大了，所有先爬取前5个    month_urls = response.xpath('//ul[@class="unstyled1"]/li/a/@href').extract()[0:5]    for month_url in month_urls:        yield response.follow(url=month_url, meta={'city': city_name, 'selenium': True}, callback=self.parse_day_data)复制代码

当日の詳細情報ページではxpahによって取り出されます

彼は空の発見しました

また、無情報のソースコードことがわかりました

JSは、生成されたデータによって説明され、静的な情報を登るだけscrapyので、渡された上記メタパラメータがクロールにscrapy利用セレンを伝えることですのでscrapyは、ドッキング知識セレンをリードしています。

レプリケーションの WeatherSpiderDownloaderMiddleware ミドルウェアをダウンロードするprocess一関数法

middlewares.py

import time
import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
class WeatherSpiderDownloaderMiddleware(object):
    def process_request(self, request, spider):
        if request.meta.get('selenium'):
            # 为了让浏览器能够无界面的工作
            chrome_options = Options()
            # 设置chrome浏览器无界面模式
            chrome_options.add_argument('--headless')
            driver = webdriver.Chrome(chrome_options=chrome_options)
            # 用浏览器去访问这个地址
            driver.get(request.url)
            time.sleep(1.5)  # 因为浏览器需要加载渲染
            html = driver.page_source
            driver.quit()
            return scrapy.http.HtmlResponse(url=request.url, body=html, encoding='utf-8', request=request)
        return None复制代码

激活WeatherSpiderDownloaderMiddleware

最後に、コード書かweather.pyの残りの部分で

第六に、プロジェクトを実行

我々はによって、プロジェクトの実行順序のルートディレクトリに注意を払う必要があります scrapy list プロジェクトビューの存在

scrapy情報を保存する最も簡単な方法は、4があり、-oは、次のようにコマンドは、ファイルの出力形式を指定します。

デフォルトのJSON

• scrapyクロール気象-oのspider.json

JSONライン形式、Unicodeへのデフォルトのエンコード

• scrapyクロール気象-oのspider..jl

CSV形式のコンマ式は、Excelを開くために使用することができます

• scrapyクロール気象-oのspider..csv

xml形式

• scrapyクロール気象-oのspider..xml

しかし、コードは設定で追加する必要があり、保存されません。 FEED_EXPORT_ENCODING = 'utf-8'

七、記憶動作

ここでは、ライブラリは、MongoDBはsettings.pyでの構成では、

手始めに、主にパイプラインを取り上げ

• pipelines.py

• の設定でパイプラインを有効にします

結果は以下のとおりであります

8おわり

私たちは、学習として、この天候のウェブサイトを通じてクロール Scrapy 尊敬のは、ここに示した Scrapy 知識ポイントのほとんどを。リストを書き換え、あなたはすべての北京の天気情報をクロールすることができ、もちろん、このすべての気象ネットワークは基本的にクロールすることを、すべての都市の天気情報をクロールすることができます。

ソース取得は、またはScrapyが取得された背景返信「元のテキストを読む」をクリックします。