Scrapy和MongoDB的应用---爬取
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Scrapy和MongoDB的应用---爬取,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2681字,纯文字阅读大概需要4分钟。
内容图文
Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取Web站点并从页面中提取结构化的数据.它最吸引人的地方在于任何人都可以根据需求方便的修改。
MongoDB是现下非常流行的开源的非关系型数据库(NoSql),它是以“key-value”的形式存储数据的,在大数据量、高并发、弱事务方面都有很大的优势。
当Scrapy与MongoDB两者相碰撞会产生怎样的火花呢?与MongoDB两者相碰撞会产生怎样的火花呢?现在让我们做一个简单的爬取小说的TEST
1.安装Scrapy
pip install scrapy
2.下载安装MongoDB和MongoVUE可视化
[MongoDB下载地址](https://www.mongodb.org/)
下载安装的步骤略过,在bin目录下创建一个data文件夹用来存放数据的。
[MongoVUE下载地址](http://www.mongovue.com/)
安装完成后我们需要创建一个数据库。
3.创建一个Scrapy项目
scrapy startproject novelspider
目录结构:其中的novspider.py是需要我们手动创建的(contrloDB不需要理会)
4.编写代码
目标网站:http://www.daomubiji.com/
settings.py
BOT_NAME = ‘novelspider‘ SPIDER_MODULES = [‘novelspider.spiders‘] NEWSPIDER_MODULE = ‘novelspider.spiders‘ ITEM_PIPELINES = [‘novelspider.pipelines.NovelspiderPipeline‘] #导入pipelines.py中的方法 USER_AGENT = ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:39.0) Gecko/20100101 Firefox/39.0‘ COOKIES_ENABLED = True MONGODB_HOST = ‘127.0.0.1‘ MONGODB_PORT = 27017 MONGODB_DBNAME = ‘zzl‘ #数据库名 MONGODB_DOCNAME = ‘Book‘ #表名
pipelines.py
from scrapy.conf import settings import pymongo class NovelspiderPipeline(object): def__init__(self): host = settings[‘MONGODB_HOST‘] port = settings[‘MONGODB_PORT‘] dbName = settings[‘MONGODB_DBNAME‘] client = pymongo.MongoClient(host=host, port=port) tdb = client[dbName] self.post = tdb[settings[‘MONGODB_DOCNAME‘]] def process_item(self, item, spider): bookInfo = dict(item) self.post.insert(bookInfo) return item
items.py
from scrapy import Item,Field class NovelspiderItem(Item): # define the fields for your item here like:# name = scrapy.Field() bookName = Field() bookTitle = Field() chapterNum = Field() chapterName = Field() chapterURL = Field()
在spiders目录下创建novspider.py
from scrapy.spiders import CrawlSpider from scrapy.selector import Selector from novelspider.items import NovelspiderItem class novSpider(CrawlSpider): name = "novspider" redis_key = ‘novspider:start_urls‘ start_urls = [‘http://www.daomubiji.com/‘] def parse(self,response): selector = Selector(response) table = selector.xpath(‘//table‘) for each in table: bookName = each.xpath(‘tr/td[@colspan="3"]/center/h2/text()‘).extract()[0] content = each.xpath(‘tr/td/a/text()‘).extract() url = each.xpath(‘tr/td/a/@href‘).extract() for i in range(len(url)): item = NovelspiderItem() item[‘bookName‘] = bookName item[‘chapterURL‘] = url[i] try: item[‘bookTitle‘] = content[i].split(‘‘)[0] item[‘chapterNum‘] = content[i].split(‘‘)[1] except Exception,e: continuetry: item[‘chapterName‘] = content[i].split(‘‘)[2] except Exception,e: item[‘chapterName‘] = content[i].split(‘‘)[1][-3:] yield item
5.启动项目命令: scrapy crawl novspider.
抓取结果
原文:http://www.cnblogs.com/alarm1673/p/4812460.html
内容总结
以上是互联网集市为您收集整理的Scrapy和MongoDB的应用---爬取全部内容,希望文章能够帮你解决Scrapy和MongoDB的应用---爬取所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。