用Scrapy框架实现对糗事百科的段子爬取(详细版)

用Scrapy框架实现对糗事百科的段子爬取

*
一、效果图
二、qsbk_sp爬虫文件代码
三、items.py文件代码
四、pipelines.py文件代码
五、settings.py文件代码
六、start.py文件代码

闲来无事看一下网上的段子也是挺不错的。

一、效果图

用Scrapy框架实现对糗事百科的段子爬取(详细版)
用Scrapy框架成功创建一个项目的时候如下图所示:
用Scrapy框架实现对糗事百科的段子爬取(详细版)
我们对每一个py文件进行补充:

; 二、qsbk_sp爬虫文件代码

import scrapy

from scrapy_demo.qsbk.qsbk.items import QsbkItem

class QsbkSpSpider(scrapy.Spider):
    name = 'qsbk_sp'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['https://www.qiushibaike.com/text/page/1/']
    base_url="https://www.qiushibaike.com"

    def parse(self, response):

        duanzidivs = response.xpath("//div[@class='col1 old-style-col1']/div")

        for duanzidiv in duanzidivs:

            author = duanzidiv.xpath(".//h2/text()").get().strip()
            content = duanzidiv.xpath(".//div[@class='content']//text()").getall()
            content = "".join(content).strip()
            item = QsbkItem(author=author,content=content)

            yield item

        next_url = response.xpath("//ul[@class='pagination']/li[last()]/a/@href").get()
        if not next_url:
            return
        else:
            yield scrapy.Request(self.base_url+next_url, callback=self.parse)

items.py文件代码如下:

三、items.py文件代码


import scrapy

class QsbkItem(scrapy.Item):

    author = scrapy.Field()
    content = scrapy.Field()

pipelines.py代码如下:(我用了三种不同的方式实现数据的存储。)

四、pipelines.py文件代码


from scrapy.exporters import JsonLinesItemExporter
class QsbkPipeline(object):
    def __init__(self):
        self.fp = open("duanzi1.json",'wb')
        self.exporter = JsonLinesItemExporter(self.fp,ensure_ascii=False,encoding='utf-8')

    def open_spider(self,spider):
        print("爬虫开始了》》》")
    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item
    def close_spider(self,spider):
        self.fp.close()
        print("爬虫结束了》》")

settings.py文件代码:

五、settings.py文件代码


BOT_NAME = 'qsbk'

SPIDER_MODULES = ['qsbk.spiders']
NEWSPIDER_MODULE = 'qsbk.spiders'

ROBOTSTXT_OBEY = False

DOWNLOAD_DELAY = 1

DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:88.0) Gecko/20100101 Firefox/88.0'
}

ITEM_PIPELINES = {
   'qsbk.pipelines.QsbkPipeline': 300,
}

start.py文件:(用此文件的目的:此文件代替了从cmd命令中启动爬虫 ,省时)

六、start.py文件代码

from scrapy import cmdline

cmdline.execute(["scrapy",'crawl','qsbk_sp'])

最后运行一下start.py即可!!
运行结果:

用Scrapy框架实现对糗事百科的段子爬取(详细版)

用Scrapy框架实现对糗事百科的段子爬取(详细版)

————————————————
版权声明:本文为CSDN博主「在路上的小王」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

Original: https://blog.csdn.net/m0_48915964/article/details/116027348
Author: 在路上的小王
Title: 用Scrapy框架实现对糗事百科的段子爬取(详细版)

原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/791056/

转载文章受原作者版权保护。转载请注明原作者出处!

(0)

大家都在看

  • 使用scrapy爬遍百度百科,附所有源码

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月25日
    079
  • Flask学习

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月4日
    095
  • python 飞机游戏大全_Python制作简易版飞机大战小游戏

    开发工具 Python版本:3.6.4 相关模块: pygame模块; 以及一些Python自带的模块。 相关文件 欢迎与我交流 环境搭建 安装Python并添加到环境变量,pip…

    Python 2023年9月25日
    024
  • python concat axis_Python的合并数据集

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月9日
    085
  • jmeter 执行python脚本

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2022年8月18日
    0332
  • DataFrame增加和删除行

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2022年12月29日
    0169
  • 流媒体开源服务 MediaSoup 初识

    目录 前言 正文 一、简单介绍 二、关键特色 1. 超强 SFU 功能 2. Node.js 模块 3. 客户端 SDK 三、架构组成 1. 关键实例 2. 重要模块 四、发展现状…

    Python 2023年9月28日
    035
  • Python+Socket实现多人聊天室,功能:好友聊天、群聊、图片、表情、文件等

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月20日
    0166
  • 阻塞非阻塞,同步异步

    大多数情况下,对socket来说,阻塞和同步是一个东西 阻塞:调用后,等待,直到拿到结果 非阻塞:调用后,api返回一个错误,后面调用方轮训或者api通知调用方 异步:调用后,ap…

    Python 2023年6月12日
    042
  • django websocket

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2022年12月26日
    0104
  • python实现将数据写入Excel文件中

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2022年8月31日
    0271
  • python包合集-argparse

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年2月3日
    090
  • 【Python】用pandas库实现取出csv表格的指定行列

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月9日
    078
  • 怎么用python爬虫爬取数据集_Python scrapy爬虫爬取伯乐在线全部文章,并写入数据库…

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月25日
    084
  • Win10 + python3.6 安装pyspider

    注入产生的原理: 数据库设置为GBK编码: 宽字节注入源于程序员设置MySQL连接时错误配置为:set character_set_client=gbk,这样配置会引发编码转换从而…

    Python 2023年1月4日
    0110
  • python中科学记数法表示_matplotlib中的科学记数法

    在这里,我使用的是IMDB-Kaggle数据集,我正在绘制调整后的预算与调整后的收入,我使用流行度作为泡沫的第三个变量。在budget_adj和revenue_adj列中有像0和2…

    Python 2023年9月5日
    057
亲爱的 Coder【最近整理,可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球