V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
intohole
V2EX  ›  Python

来一起造作吧!有一个爬虫小框架等你来!

  •  
  •   intohole · 2017-11-23 14:30:05 +08:00 · 3546 次点击
    这是一个创建于 2556 天前的主题,其中的信息可能已经有所发展或是发生改变。

    https://github.com/intohole/xspider 是再重复造轮子!但让我们一起熟悉

    xspider 简单 python 抓取框架

    xspider

    • 抓取单线程
    • 简单 api 使用
    • xpath/css/json 提取器
    • 多种队列
    • 架构代码逻辑清晰,可以了解 spider 抓取过程
    • it's easy to crawl and extract web;
    main.py:
    
        from xspider.spider.spider import BaseSpider
        from xspider.filters import urlfilter
        from kuailiyu import KuaiLiYu
    
    if __name__ == "__main__":
        spider = BaseSpider(name = "kuailiyu"  , page_processor = KuaiLiYu() , allow_site = ["kuailiyu.cyzone.cn"] , start_urls = ["http://kuailiyu.cyzone.cn/"])
        spider.url_filters.append(urlfilter.UrlRegxFilter(["kuailiyu.cyzone.cn/article/[0-9]*\.html$","kuailiyu.cyzone.cn/index_[0-9]+.html$"]))
        spider.start()
    
    kuailiyu.py
        from xspider import processor 
        from xspider.selector import xpath_selector
        from xspider import model
    
        class KuaiLiYu(processor.PageProcessor.PageProcessor):
    
            def __init__(self):
                super(KuaiLiYu , self).__init__()
                self.title_extractor = xpath_selector.XpathSelector(path = "//title/text()")
    
            def process(self , page , spider):
                items = model.fileds.Fileds()
                items["title"] = self.title_extractor.find(page)
                items["url"] = page.url
                return items
    

    抓取部分有以下工程代码

    第 1 条附言  ·  2017-11-28 10:43:01 +08:00
    继续顶 , 我想在这个工程上花些时间 , 做成一个带爬虫策略的爬虫框架
    10 条回复    2017-12-01 12:56:34 +08:00
    xiaozizayang
        1
    xiaozizayang  
       2017-11-23 16:25:48 +08:00
    tamlok
        2
    tamlok  
       2017-11-23 16:49:58 +08:00 via Android
    intohole
        3
    intohole  
    OP
       2017-11-23 19:52:24 +08:00
    @xiaozizayang 学习一下
    intohole
        4
    intohole  
    OP
       2017-11-23 19:52:42 +08:00
    @tamlok 好屌~
    j1wu
        5
    j1wu  
       2017-11-23 20:00:21 +08:00
    JavaScript 版本助攻,向大家学习 Orz https://github.com/j1wu/cli-scraper
    zhangysh1995
        6
    zhangysh1995  
       2017-11-23 21:39:56 +08:00
    最近正好在学爬虫,收藏一个,楼主加油!
    intohole
        7
    intohole  
    OP
       2017-11-24 10:16:11 +08:00   ❤️ 1
    @j1wu 屌屌的
    intohole
        8
    intohole  
    OP
       2017-11-24 15:08:22 +08:00
    @zhangysh1995 里面的 api 没有整理 , 这个爬虫专门为了机器不足 时间来换的开发
    coolloves
        9
    coolloves  
       2017-12-01 11:12:16 +08:00
    马克,学习
    intohole
        10
    intohole  
    OP
       2017-12-01 12:56:34 +08:00
    @coolloves  感谢关注
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3624 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 30ms · UTC 10:21 · PVG 18:21 · LAX 02:21 · JFK 05:21
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.