python爬虫框架talonspider简单介绍


Posted in Python onJune 09, 2017

1.为什么写这个?

一些简单的页面,无需用比较大的框架来进行爬取,自己纯手写又比较麻烦

因此针对这个需求写了talonspider:

•1.针对单页面的item提取 - 具体介绍点这里
•2.spider模块 - 具体介绍点这里

2.介绍&&使用

2.1.item

这个模块是可以独立使用的,对于一些请求比较简单的网站(比如只需要get请求),单单只用这个模块就可以快速地编写出你想要的爬虫,比如(以下使用python3,python2见examples目录):

2.1.1.单页面单目标

比如要获取这个网址http://book.qidian.com/info/1004608738 的书籍信息,封面等信息,可直接这样写:

import time
from talonspider import Item, TextField, AttrField
from pprint import pprint

class TestSpider(Item):
  title = TextField(css_select='.book-info>h1>em')
  author = TextField(css_select='a.writer')
  cover = AttrField(css_select='a#bookImg>img', attr='src')

  def tal_title(self, title):
    return title

  def tal_cover(self, cover):
    return 'http:' + cover

if __name__ == '__main__':
  item_data = TestSpider.get_item(url='http://book.qidian.com/info/1004608738')
  pprint(item_data)

具体见qidian_details_by_item.py

2.1.1.单页面多目标

比如获取豆瓣250电影首页展示的25部电影,这一个页面有25个目标,可直接这样写:

from talonspider import Item, TextField, AttrField
from pprint import pprint

# 定义继承自item的爬虫类
class DoubanSpider(Item):
  target_item = TextField(css_select='div.item')
  title = TextField(css_select='span.title')
  cover = AttrField(css_select='div.pic>a>img', attr='src')
  abstract = TextField(css_select='span.inq')

  def tal_title(self, title):
    if isinstance(title, str):
      return title
    else:
      return ''.join([i.text.strip().replace('\xa0', '') for i in title])

if __name__ == '__main__':
  items_data = DoubanSpider.get_items(url='https://movie.douban.com/top250')
  result = []
  for item in items_data:
    result.append({
      'title': item.title,
      'cover': item.cover,
      'abstract': item.abstract,
    })
  pprint(result)

具体见douban_page_by_item.py

2.2.spider

当需要爬取有层次的页面时,比如爬取豆瓣250全部电影,这时候spider部分就派上了用场:

# !/usr/bin/env python
from talonspider import Spider, Item, TextField, AttrField, Request
from talonspider.utils import get_random_user_agent


# 定义继承自item的爬虫类
class DoubanItem(Item):
  target_item = TextField(css_select='div.item')
  title = TextField(css_select='span.title')
  cover = AttrField(css_select='div.pic>a>img', attr='src')
  abstract = TextField(css_select='span.inq')

  def tal_title(self, title):
    if isinstance(title, str):
      return title
    else:
      return ''.join([i.text.strip().replace('\xa0', '') for i in title])


class DoubanSpider(Spider):
  # 定义起始url,必须
  start_urls = ['https://movie.douban.com/top250']
  # requests配置
  request_config = {
    'RETRIES': 3,
    'DELAY': 0,
    'TIMEOUT': 20
  }
  # 解析函数 必须有
  def parse(self, html):
    # 将html转化为etree
    etree = self.e_html(html)
    # 提取目标值生成新的url
    pages = [i.get('href') for i in etree.cssselect('.paginator>a')]
    pages.insert(0, '?start=0&filter=')
    headers = {
      "User-Agent": get_random_user_agent()
    }
    for page in pages:
      url = self.start_urls[0] + page
      yield Request(url, request_config=self.request_config, headers=headers, callback=self.parse_item)

  def parse_item(self, html):
    items_data = DoubanItem.get_items(html=html)
    # result = []
    for item in items_data:
      # result.append({
      #   'title': item.title,
      #   'cover': item.cover,
      #   'abstract': item.abstract,
      # })
      # 保存
      with open('douban250.txt', 'a+') as f:
        f.writelines(item.title + '\n')


if __name__ == '__main__':
  DoubanSpider.start()

控制台:

/Users/howie/anaconda3/envs/work3/bin/python /Users/howie/Documents/programming/python/git/talonspider/examples/douban_page_by_spider.py
2017-06-07 23:17:30,346 - talonspider - INFO: talonspider started
2017-06-07 23:17:30,693 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250
2017-06-07 23:17:31,074 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=25&filter=
2017-06-07 23:17:31,416 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=50&filter=
2017-06-07 23:17:31,853 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=75&filter=
2017-06-07 23:17:32,523 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=100&filter=
2017-06-07 23:17:33,032 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=125&filter=
2017-06-07 23:17:33,537 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=150&filter=
2017-06-07 23:17:33,990 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=175&filter=
2017-06-07 23:17:34,406 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=200&filter=
2017-06-07 23:17:34,787 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=225&filter=
2017-06-07 23:17:34,809 - talonspider - INFO: Time usage:0:00:04.462108

Process finished with exit code 0

此时当前目录会生成douban250.txt,具体见douban_page_by_spider.py。

3.说明

学习之作,待完善的地方还有很多,欢迎提意见,项目地址talonspider。

Python 相关文章推荐
python使用threading获取线程函数返回值的实现方法
Nov 15 Python
python下10个简单实例代码
Nov 15 Python
纯python实现机器学习之kNN算法示例
Mar 01 Python
Pandas:DataFrame对象的基础操作方法
Jun 07 Python
Python编写通讯录通过数据库存储实现模糊查询功能
Jul 18 Python
Python从列表推导到zip()函数的5种技巧总结
Oct 23 Python
利用Python绘制Jazz网络图的例子
Nov 21 Python
在TensorFlow中屏蔽warning的方式
Feb 04 Python
django-csrf使用和禁用方式
Mar 13 Python
Python操作Word批量生成合同的实现示例
Aug 28 Python
最新Python idle下载、安装与使用教程图文详解
Nov 28 Python
Python基于Tkinter开发一个爬取B站直播弹幕的工具
May 06 Python
python实现list元素按关键字相加减的方法示例
Jun 09 #Python
Python利用QQ邮箱发送邮件的实现方法(分享)
Jun 09 #Python
老生常谈python的私有公有属性(必看篇)
Jun 09 #Python
Python 自动化表单提交实例代码
Jun 08 #Python
Python错误: SyntaxError: Non-ASCII character解决办法
Jun 08 #Python
Python实现网站注册验证码生成类
Jun 08 #Python
Python实现多线程抓取网页功能实例详解
Jun 08 #Python
You might like
收集的二十一个实用便利的PHP函数代码
2010/04/22 PHP
自定义session存储机制避免会话保持问题
2014/10/08 PHP
php使用gettimeofday函数返回当前时间并存放在关联数组里
2015/03/19 PHP
PHP中异常处理的一些方法整理
2015/07/03 PHP
PHP使用XMLWriter读写xml文件操作详解
2018/07/31 PHP
PHP进阶学习之类的自动加载机制原理分析
2019/06/18 PHP
多个iframe自动调整大小的问题
2006/09/18 Javascript
jQuery 学习第七课 扩展jQuery的功能 插件开发
2010/05/17 Javascript
fancybox1.3.1 基于Jquery的插件在IE中图片显示问题
2010/10/01 Javascript
用jquery实现输入框获取焦点消失文字
2013/04/27 Javascript
移动节点的jquery代码
2014/01/13 Javascript
JavaScript数组常用操作技巧汇总
2014/11/17 Javascript
js实现超酷的照片墙展示效果图附源码下载
2015/10/08 Javascript
jQuery获取cookie值及删除cookie用法实例
2016/04/15 Javascript
AngularJS 依赖注入详解和简单实例
2016/07/28 Javascript
express框架实现基于Websocket建立的简易聊天室
2017/08/10 Javascript
javascript input输入框模糊提示功能的实现
2017/09/25 Javascript
Vue数据双向绑定的深入探究
2018/11/27 Javascript
JavaScript动画实例之粒子文本的实现方法详解
2020/07/28 Javascript
Python的Flask框架中实现分页功能的教程
2015/04/20 Python
Python+matplotlib+numpy实现在不同平面的二维条形图
2018/01/02 Python
Python3.6通过自带的urllib通过get或post方法请求url的实例
2018/05/10 Python
Python使用progressbar模块实现的显示进度条功能
2018/05/31 Python
Python 修改列表中的元素方法
2018/06/26 Python
python实现可逆简单的加密算法
2019/03/22 Python
pandas apply多线程实现代码
2020/08/17 Python
Python如何获取文件路径/目录
2020/09/22 Python
PHP两种查询函数array/row的区别
2013/06/03 面试题
关于孝道的演讲稿
2014/05/21 职场文书
国际残疾人日广播稿范文
2014/10/09 职场文书
优秀少先队员事迹材料
2014/12/24 职场文书
应聘教师求职信范文
2015/03/20 职场文书
2015年汽车销售经理工作总结
2015/04/27 职场文书
个人承诺书格式范文
2015/04/29 职场文书
海贼王十大潜力果实,路飞仅排第十,第一可毁世界(震震果实)
2022/03/18 日漫
macos系统如何实现微信双开? mac登录两个微信以上微信的技巧
2022/07/23 数码科技