python爬蟲學習之路扰柠,為老婆爬下整站模板-第二章

第一階段為初步階段粉铐,只是為了了解或是花很少的時候解決當時的問題,想要完美是非常困難的卤档,一步一步來吧

第二階段為進階階段

第一階段的問題做了些總結(jié)

  1. 斷電后程序怎么繼續(xù)執(zhí)行
  2. 爬取一個頁面大概要10秒左右蝙泼,慢

針對這些問題做了些方案

  1. 每爬一個頁面保存一個狀態(tài),知道那些讀取完劝枣,那些沒有
  2. 采取多線程加快進度

做一步學習一步汤踏,現(xiàn)在在網(wǎng)站上看到

Scrapy的強大,決定試試舔腾。

首先分析需求溪胶,現(xiàn)在只需要這四個板塊的下載地址

image

這是最基礎的爬頁面的scrapy框架,response.body就是取得返回html代碼

image

下面看看我們需要爬取的數(shù)據(jù)

這里有個小技巧稳诚,直接在需要采取的數(shù)據(jù)上右鍵哗脖,然后點檢查

image

然后在出來的firebug的要采集的數(shù)據(jù)上右鍵,復制xPath

image

會看到(/html/body/div[3]/div[4]/div[4]/p[1]/b)這樣的數(shù)據(jù)采桃,多對比幾個懒熙,如果都是一樣的,就可以采取這種方式直接取得我們想要的數(shù)據(jù)普办,不在需要用正則去匹配工扎。

在這里我在chrome里面復制的第一層div是第三個,但不知道怎么找不到衔蹲,換成2才找到肢娘,難道是從0開始?但后面二個又不需要換了舆驶,真是奇了怪了橱健。可能是有一個是js后來生成的吧沙廉,暫時先解決問題拘荡,后面在來研究

image

這里有一個非常大的坑,就是編碼問題撬陵,新手一般都會遇到這問題珊皿,雖然就一句代碼网缝,但不搞明白的話還是要走比較多的彎路,我首先是用chardet.detect(html)查看了編碼蟋定,是gb2312的粉臊,先解碼,在轉(zhuǎn)成utf-8格式的驶兜,這樣保存為文件里面就沒問題了扼仲。

就這一句話就完成了,還是沒有經(jīng)驗啊抄淑,呵呵

image

在shell里面輸出這樣的是沒問題的屠凶,保存到文件就是中文的

image

這是采取到的數(shù)據(jù)保存的文件,中文是沒問題的

image

現(xiàn)在一個頁面的基礎爬取是沒問題了蝇狼,但這又遇到個問題阅畴,比如讀取下一頁連接倡怎,在爬取迅耘,在讀取下一頁,這雖然能寫出來监署,但多進程又有問題颤专,感覺scrapy的多進程不好控制。

我的想法是一個主進程钠乏,專門讀取主頁面的列表栖秕,把列表存入數(shù)據(jù)庫里面,然后開啟10個進程晓避,來根據(jù)數(shù)據(jù)庫里面數(shù)據(jù)的狀態(tài)來執(zhí)行任務

當然我這想法是在我不需要大面積爬取的情況下簇捍,如果有些需求需要大面積的爬取數(shù)據(jù),用scrapy還是很不錯的俏拱,我這里決定直接用request就行了暑塑,往scrapy這里轉(zhuǎn)了一圈,最重要的是知道了用xpath能解決非常多的匹配問題锅必∈赂瘢或許是自己對scrapy的認識深度還不夠

不過能夠解決需求就行了。

于是乎我又回到了urllib搞隐,所有說程序猿沒事還是要多學習一些庫啊驹愚,多看些文檔,這些是能改善工作效率的。

首先編碼的是list列表的讀取

image

這是一個讀取列表頁面的基本單元客燕,運行之后數(shù)據(jù)庫里會有這些數(shù)據(jù)

image

同時在開始這個進程的時候人弓,會讀取數(shù)據(jù)庫里面保存的已經(jīng)完成到那一頁的數(shù)據(jù)

image

每完成個循環(huán)會寫入一條到數(shù)據(jù)庫,然后倒序查找到就行劫瞳,如果查找不到就代表從第一頁開始

image
image

這算是解決了程序異常結(jié)束之后繼續(xù)執(zhí)行的問題棠耕。

然后是多進程取得下載地址了,上面四個進程是四種類型的列表讀取柠新,并下載圖片窍荧,下面是10個讀取下載地址的進程。

image

這是讀取下載地址的方法

首先是查看有那一條數(shù)據(jù)狀態(tài)為0的恨憎,然后更改狀態(tài)為1蕊退,開始爬取下載地址,寫入數(shù)據(jù)庫憔恳,并更改狀態(tài)為2

image

這里有點麻煩的是百度網(wǎng)盤地址的讀取瓤荔,每個頁面位置不一樣,開始還好钥组,后來就出問題了输硝,這里加上了re匹配,拋出異常就為空吧程梦,比較新的模板一般都有点把,以前的沒有。

image

這是數(shù)據(jù)庫的結(jié)構(gòu)

image

這是運行狀態(tài)屿附,速度還可以郎逃,內(nèi)存,cpu這塊都還好挺份,主要是網(wǎng)絡瓶頸褒翰,一張圖片大概100k左右吧。幾萬多張圖

還有寫入這塊也有點慢匀泊。畢竟是張sd卡优训。當時寫入系統(tǒng)的時候只有6M的速度

image
image

編碼過程中遇到的問題

UnicodeDecodeError: 'gb2312' codec can't decode byte 0x8a in position 19746: illegal multibyte sequence

網(wǎng)頁如果是采用的gb2312編碼的話,采集下來需要先decode('gb2312')各聘,這個問題是因為遇到了bg2312不認識的字了揣非,這里換成gbk就行了,如果更高級的換成gb18030也行伦吠。

?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末妆兑,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子毛仪,更是在濱河造成了極大的恐慌搁嗓,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,561評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件箱靴,死亡現(xiàn)場離奇詭異腺逛,居然都是意外死亡,警方通過查閱死者的電腦和手機衡怀,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,218評論 3 385
  • 文/潘曉璐 我一進店門棍矛,熙熙樓的掌柜王于貴愁眉苦臉地迎上來安疗,“玉大人,你說我怎么就攤上這事够委〖隼啵” “怎么了?”我有些...
    開封第一講書人閱讀 157,162評論 0 348
  • 文/不壞的土叔 我叫張陵茁帽,是天一觀的道長玉罐。 經(jīng)常有香客問我,道長潘拨,這世上最難降的妖魔是什么吊输? 我笑而不...
    開封第一講書人閱讀 56,470評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮铁追,結(jié)果婚禮上季蚂,老公的妹妹穿的比我還像新娘。我一直安慰自己琅束,他們只是感情好扭屁,可當我...
    茶點故事閱讀 65,550評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著狰闪,像睡著了一般疯搅。 火紅的嫁衣襯著肌膚如雪濒生。 梳的紋絲不亂的頭發(fā)上埋泵,一...
    開封第一講書人閱讀 49,806評論 1 290
  • 那天,我揣著相機與錄音罪治,去河邊找鬼丽声。 笑死,一個胖子當著我的面吹牛觉义,可吹牛的內(nèi)容都是我干的雁社。 我是一名探鬼主播,決...
    沈念sama閱讀 38,951評論 3 407
  • 文/蒼蘭香墨 我猛地睜開眼晒骇,長吁一口氣:“原來是場噩夢啊……” “哼霉撵!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起洪囤,我...
    開封第一講書人閱讀 37,712評論 0 266
  • 序言:老撾萬榮一對情侶失蹤徒坡,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后瘤缩,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體喇完,經(jīng)...
    沈念sama閱讀 44,166評論 1 303
  • 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 36,510評論 2 327
  • 正文 我和宋清朗相戀三年剥啤,在試婚紗的時候發(fā)現(xiàn)自己被綠了锦溪。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片不脯。...
    茶點故事閱讀 38,643評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖刻诊,靈堂內(nèi)的尸體忽然破棺而出防楷,到底是詐尸還是另有隱情,我是刑警寧澤则涯,帶...
    沈念sama閱讀 34,306評論 4 330
  • 正文 年R本政府宣布域帐,位于F島的核電站,受9級特大地震影響是整,放射性物質(zhì)發(fā)生泄漏肖揣。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,930評論 3 313
  • 文/蒙蒙 一浮入、第九天 我趴在偏房一處隱蔽的房頂上張望龙优。 院中可真熱鬧,春花似錦事秀、人聲如沸彤断。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,745評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽宰衙。三九已至,卻和暖如春睹欲,著一層夾襖步出監(jiān)牢的瞬間供炼,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,983評論 1 266
  • 我被黑心中介騙來泰國打工窘疮, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留袋哼,地道東北人。 一個月前我還...
    沈念sama閱讀 46,351評論 2 360
  • 正文 我出身青樓闸衫,卻偏偏與公主長得像涛贯,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蔚出,可洞房花燭夜當晚...
    茶點故事閱讀 43,509評論 2 348

推薦閱讀更多精彩內(nèi)容