当前位置:
首页 > Python基础教程 >
-
爬虫(十八):Scrapy框架(五) Scrapy通用爬虫(3)
replace(',"',".0")
else:
score=score
else:
score='NULL'
return score
def get_story(self,response):
story=response.xpath('//div[@class="book-intro"]/p/text()').extract()[0]
if len(story)>0:
story=story.strip()
else:
story='NULL'
return story
def get_news(self,response):
news=response.xpath('//div[@class="detail"]/p[@class="cf"]/a/text()').extract()[0]
if len(news)>0:
news=news.strip()
else:
news='NULL'
return news
其他部分就没什么变化了,就settings加入了请求头:
- DEFAULT_REQUEST_HEADERS = {
- 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
- 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Trident/7.0; rv 11.0) like Gecko',
- }
1.3.4 运行程序
scrapy crawl read
运行结果:
1.3.5 完整代码
read.py:
- # -*- coding: utf-8 -*-
- from scrapy.linkextractors import LinkExtractor
- from scrapy.spiders import CrawlSpider, Rule
- from qd.items import QdItem
- import requests
- class ReadSpider(CrawlSpider):
- name = 'read'
- # allowed_domains = ['qidian.com']
- start_urls = ['https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page=1']
- rules = (
- #匹配全部主页面的url规则 深度爬取子页面
- Rule(LinkExtractor(allow=(r'https://www.qidian.com/all\?orderId=\&style=1\&pageSize=20\&siteid=1\&pubflag=0\&hiddenField=0\&page=(\d+)')),follow=True),
- #匹配详情页面 不作深度爬取
- Rule(LinkExtractor(allow=r'https://book.qidian.com/info/(\d+)'), callback='parse_item', follow=False),
- )
- def parse_item(self, response):
- item=QdItem()
- item['book_name']=self.get_book_name(response)
- item['author']=self.get_author(response)
- item['state']=self.get_state(response)
- item['type']=self.get_type(response)
- item['about']=self.get_about(response)
- item['score']=self.get_score(response)
- item['story']=self.get_story(response)
- item['news']=self.get_news(response)
- yield item
- def get_book_name(self,response):
- book_name=response.xpath('//h1/em/text()').extract()[0]
- if len(book_name)>0:
- book_name=book_name.strip()
- else:
- book_name='NULL'
- return book_name
- def get_author(self,response):
- author=response.xpath('//h1/span/a/text()').extract()[0]
- if len(author)>0:
- author=author.strip()
- else:
- author='
栏目列表
最新更新
nodejs爬虫
Python正则表达式完全指南
爬取豆瓣Top250图书数据
shp 地图文件批量添加字段
爬虫小试牛刀(爬取学校通知公告)
【python基础】函数-初识函数
【python基础】函数-返回值
HTTP请求:requests模块基础使用必知必会
Python初学者友好丨详解参数传递类型
如何有效管理爬虫流量?
SQL SERVER中递归
2个场景实例讲解GaussDB(DWS)基表统计信息估
常用的 SQL Server 关键字及其含义
动手分析SQL Server中的事务中使用的锁
openGauss内核分析:SQL by pass & 经典执行
一招教你如何高效批量导入与更新数据
天天写SQL,这些神奇的特性你知道吗?
openGauss内核分析:执行计划生成
[IM002]Navicat ODBC驱动器管理器 未发现数据
初入Sql Server 之 存储过程的简单使用
这是目前我见过最好的跨域解决方案!
减少回流与重绘
减少回流与重绘
如何使用KrpanoToolJS在浏览器切图
performance.now() 与 Date.now() 对比
一款纯 JS 实现的轻量化图片编辑器
关于开发 VS Code 插件遇到的 workbench.scm.
前端设计模式——观察者模式
前端设计模式——中介者模式
创建型-原型模式