乐趣区

python的scrapy框架爬取懒人听书网站

jiezi

项目地址：https://github.com/gejinnvshe…
微信公众号：天字一等

爬取懒人听书平台书籍的书名、作者名、分类，后续还会增加爬取音频

爬虫用到的框架：scrapy Anaconda 是专注于数据分析的 Python 发行版本

scrapy 简单入门及实例讲解：https://www.cnblogs.com/kongz… scrapy 进阶实例：https://blog.csdn.net/z564359…

scrapy 框架知识点

1、ROBOTSTXT_OBEY = False 粗解
https://www.jianshu.com/p/19c1ea0d59c2
2、爬虫 -User-Agent 和代理池
https://www.cnblogs.com/sunxiuwen/p/10112057.html
3、
scrapy 项目配置文件：
scrapy.cfg：爬虫项目的配置文件。
__init__.py：爬虫项目的初始化文件，用来对项目做初始化工作。
items.py：爬虫项目的数据容器文件，用来定义要获取的数据。
1、pipelines.py：爬虫项目的管道文件，用来对 items 中的数据进行进一步的加工处理。2、scrapy 的 pipeline 是一个非常重要的模块，主要作用是将 return 的 items 写入到数据库、文件等持久化模块
settings.py：爬虫项目的设置文件，包含了爬虫项目的设置信息。
middlewares.py：爬虫项目的中间件文件，
4
使用 anaconda prompt 运行.py 文件，执行 scrapy crwal xx 指令时，xx 是.py 文件中给 name 赋的值
使用 anaconda prompt 运行.py 文件，执行 scrapy crwal xx 指令时，如果报错说少了 yy modules，直接输入 pip install yy 执行安装包，不用在进入对应的项目目录下
5、https://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html?highlight=extract

  • xpath(): 传入 xpath 表达式，返回该表达式所对应的所有节点的 selector list 列表。
  • css(): 传入 CSS 表达式，返回该表达式所对应的所有节点的 selector list 列表.
  • extract(): 序列化该节点为 unicode 字符串并返回 list。
  • re(): 根据传入的正则表达式对数据进行提取，返回 unicode 字符串 list 列表。

6、elastisearch 查询语句
https://segmentfault.com/q/1010000017553309/
7、传入 xpath 表达式，返回该表达式所对应的所有节点的 selector list 列表
extract(): 返回被选择元素的 unicode 字符串
8、yield
yield 的作用 这里是在爬取完一页的信息后，我们在当前页面获取到了下一页的链接，然后通过 yield 发起请求，

            # 并且将 parse 自己作为回调函数来处理下一页的响应
            #  https://www.jianshu.com/p/7c1a084853d8
            yield Request(self.lrtsUrl + next_link, callback=self.parse, headers=headers)  #获取下一页，parse 是回调函数来处理下一页的响应

9、meta scrapy 的 request 的 meta 参数是什么意思？
https://blog.csdn.net/master_ning/article/details/80558985

python 基础知识点：

class:# 创建类 类就是一个模板，模板里可以包含多个函数，函数里实现一些功能
def:# 创建类中函数
pass:pass 不做任何事情，一般用做占位语句。
if name == ‘__main__’: 的作用
https://www.cnblogs.com/kex1n/p/5975575.html
5、python range() 函数可创建一个整数列表，一般用在 for 循环中。
函数语法
range(start, stop[, step])
6、Python len() 方法返回对象（字符、列表、元组等）长度或项目个数。
语法
len() 方法语法：
len(s)

退出移动版