scrapy爬取新浪微博分享(1)

內(nèi)容概要:

最近自己學(xué)習(xí)了一些爬蟲旦部,學(xué)習(xí)之余,寫了一個新浪微博的爬蟲缕减。大規(guī)模爬數(shù)據(jù)沒有試過,但是爬取幾十萬應(yīng)該沒有什么問題芒珠。爬蟲爬取的站點是新浪移動端站點桥狡。github地址為:https://github.com/yz21606948/sinaSpider

第一次寫文章,難免有疏忽,大家共同交流裹芝,共同進步部逮。也請喜歡的朋友,在github上打個star

內(nèi)容分為三章嫂易,第一張介紹scrapy兄朋,第二張分析爬取網(wǎng)站,第三章分析代碼怜械。


Scrapy 介紹

scrapy 是一個為爬取網(wǎng)站數(shù)據(jù)颅和,提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。scrapy是一個非常強大且好用的爬蟲框架缕允,它不僅提供了一些開箱即用的基礎(chǔ)組件峡扩,還提供強大的自定義功能。

安裝Scrapy

最好使用conda安裝灼芭。我試過手動安裝有额,要安裝很多的依賴庫,會花費很長的時間彼绷。但是使用conda很快就能安裝好了巍佑。conda是一個管理Python的神器。

程序目錄介紹


scrapy startproject [yourproject] 命令將會創(chuàng)建一個scrapy項目寄悯。

scrapy.cfg 是項目的配置文件萤衰。

setting.py 用于設(shè)置請求的參數(shù),使用代理猜旬,爬蟲數(shù)據(jù)后文件保存等等脆栋。

/spider/sinaSpider.py 是爬蟲的主要代碼。

middlewares.py 是scrapy的請求/相應(yīng)相關(guān)處理的中間鍵洒擦。主要是UserAgent的輪換椿争,Cookies的輪換,代理的輪換等熟嫩。

items.py 是需要提取的數(shù)據(jù)結(jié)構(gòu)定義的文件

pipelines.py:是對items里面提取的數(shù)據(jù)做進一步處理秦踪,對mongdb的連接就在這里面。

下面是Scrapy官網(wǎng)提供的scrapy結(jié)構(gòu)圖掸茅,可以加深對scrapy的理解椅邓。


程序用到的其他庫或軟件

selenium: 一個用于Web應(yīng)用程序測試的工具。Selenium測試直接運行在瀏覽器中昧狮,就像真正的用戶在操作一樣景馁。我們使用selenium主要是模擬用戶的行為登錄微博,拿到cookies

PhantomJS是一個無界面的逗鸣,可腳本編程的WebKit瀏覽器引擎合住。它原生支持多種web標準:DOM操作绰精,CSS選擇器,JSON聊疲,Canavs等茬底。


參考:

1、《Python網(wǎng)絡(luò)數(shù)據(jù)采集》

2获洲、http://blog.csdn.net/bone_ace/article/details/50903178

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末阱表,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子贡珊,更是在濱河造成了極大的恐慌最爬,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,681評論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件门岔,死亡現(xiàn)場離奇詭異爱致,居然都是意外死亡,警方通過查閱死者的電腦和手機寒随,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,205評論 3 399
  • 文/潘曉璐 我一進店門糠悯,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人妻往,你說我怎么就攤上這事互艾。” “怎么了讯泣?”我有些...
    開封第一講書人閱讀 169,421評論 0 362
  • 文/不壞的土叔 我叫張陵纫普,是天一觀的道長。 經(jīng)常有香客問我好渠,道長昨稼,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,114評論 1 300
  • 正文 為了忘掉前任拳锚,我火速辦了婚禮假栓,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘霍掺。我一直安慰自己匾荆,他們只是感情好,可當我...
    茶點故事閱讀 69,116評論 6 398
  • 文/花漫 我一把揭開白布抗楔。 她就那樣靜靜地躺著棋凳,像睡著了一般拦坠。 火紅的嫁衣襯著肌膚如雪连躏。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,713評論 1 312
  • 那天贞滨,我揣著相機與錄音入热,去河邊找鬼拍棕。 笑死,一個胖子當著我的面吹牛勺良,可吹牛的內(nèi)容都是我干的绰播。 我是一名探鬼主播,決...
    沈念sama閱讀 41,170評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼尚困,長吁一口氣:“原來是場噩夢啊……” “哼蠢箩!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起事甜,我...
    開封第一講書人閱讀 40,116評論 0 277
  • 序言:老撾萬榮一對情侶失蹤谬泌,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后逻谦,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體掌实,經(jīng)...
    沈念sama閱讀 46,651評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,714評論 3 342
  • 正文 我和宋清朗相戀三年邦马,在試婚紗的時候發(fā)現(xiàn)自己被綠了贱鼻。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 40,865評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡滋将,死狀恐怖邻悬,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情耕渴,我是刑警寧澤拘悦,帶...
    沈念sama閱讀 36,527評論 5 351
  • 正文 年R本政府宣布,位于F島的核電站橱脸,受9級特大地震影響础米,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜添诉,卻給世界環(huán)境...
    茶點故事閱讀 42,211評論 3 336
  • 文/蒙蒙 一屁桑、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧栏赴,春花似錦蘑斧、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,699評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至花颗,卻和暖如春捕传,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背扩劝。 一陣腳步聲響...
    開封第一講書人閱讀 33,814評論 1 274
  • 我被黑心中介騙來泰國打工庸论, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留职辅,地道東北人。 一個月前我還...
    沈念sama閱讀 49,299評論 3 379
  • 正文 我出身青樓聂示,卻偏偏與公主長得像域携,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子鱼喉,可洞房花燭夜當晚...
    茶點故事閱讀 45,870評論 2 361

推薦閱讀更多精彩內(nèi)容

  • 爬蟲文章 in 簡書程序員專題: like:128-Python 爬取落網(wǎng)音樂 like:127-【圖文詳解】py...
    喜歡吃栗子閱讀 21,760評論 4 411
  • 內(nèi)容概要: 最近自己學(xué)習(xí)了一些爬蟲秀鞭,學(xué)習(xí)之余,寫了一個新浪微博的爬蟲扛禽。大規(guī)模爬數(shù)據(jù)沒有試過气筋,但是爬取幾十萬應(yīng)該沒有...
    要讀博士閱讀 924評論 1 3
  • 爬蟲文章 in 簡書程序員專題: like:128 - Python 爬取落網(wǎng)音樂 like:127 - 【圖文詳...
    treelake閱讀 29,560評論 33 638
  • 最近想在工作相關(guān)的項目上做技術(shù)改進,需要全而準的車型數(shù)據(jù)旋圆,尋尋覓覓而不得宠默,所以就只能自己動手豐衣足食,到網(wǎng)上獲(竊...
    littlelory閱讀 3,908評論 7 19
  • 最近讀了王小波的《一只特例獨行的豬》灵巧,心血來潮地重開了豆瓣搀矫,光明正大地抒發(fā)一下小情緒。 一開始看到這本書就被它的名...
    李狗愛學(xué)習(xí)閱讀 462評論 1 5