爬虫 - 随笔分类 - zhang_derek

python爬虫人门（10）Scrapy框架之Downloader Middlewares

摘要：设置下载中间件（Downloader Middlewares）下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件，可以有多个下载中间件被加载运行。当引擎传递请求给下载器的过程中，下载中间件可以对请求进行处理（例如增加阅读全文

posted @ 2018-02-25 20:41 zhang_derek 阅读 (1101) | 评论 (0) 编辑

python爬虫入门（九）Scrapy框架之数据库保存

摘要：豆瓣电影TOP 250爬取-->>>数据保存到MongoDB 豆瓣电影TOP 250网址要求： 1.爬取豆瓣top 250电影名字、演员列表、评分和简介 2.设置随机UserAgent和Proxy 3.爬取到的数据保存到MongoDB数据库 1.爬取豆瓣top 250电影名字、演员列表、评分和简介阅读全文

posted @ 2018-02-25 20:40 zhang_derek 阅读 (593) | 评论 (0) 编辑

python爬虫入门（七）Scrapy框架之Spider类

摘要：Spider类 Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。 class scrapy.Spider是最基本的类，所有编阅读全文

posted @ 2018-02-25 20:40 zhang_derek 阅读 (9338) | 评论 (0) 编辑

python爬虫入门（八）Scrapy框架之CrawlSpider类

摘要：CrawlSpider类通过下面的命令可以快速创建 CrawlSpider模板的代码： scrapy genspider -t crawl tencent tencent.com CrawSpider是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而Cra 阅读全文

posted @ 2018-02-25 20:40 zhang_derek 阅读 (891) | 评论 (1) 编辑

python爬虫入门(六) Scrapy框架之原理介绍

摘要：Scrapy框架 Scrapy简介 Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。 Scrapy 使用了 Twisted['twɪstɪ 阅读全文

posted @ 2018-02-25 16:19 zhang_derek 阅读 (1992) | 评论 (3) 编辑

python爬虫入门（五）Selenium模拟用户操作

摘要：爬虫(Spider)，反爬虫(Anti-Spider)，反反爬虫(Anti-Anti-Spider) 之间恢宏壮阔的斗争... 小莫想要某站上所有的电影，写了标准的爬虫(基于HttpClient库)，不断地遍历某站的电影列表页面，根据 Html 分析电影名字存进自己的数据库。这个站点的运维小黎发现阅读全文

posted @ 2018-02-16 13:06 zhang_derek 阅读 (14108) | 评论 (0) 编辑

python爬虫入门（四）利用多线程爬虫

摘要：多线程爬虫先回顾前面学过的一些知识 1.一个cpu一次只能执行一个任务，多个cpu同时可以执行多个任务2.一个cpu一次只能执行一个进程，其它进程处于非运行状态3.进程里包含的执行单元叫线程，一个进程可以包含多个线程4.一个进程的内存空间是共享的，每个进程里的线程都可以使用这个共享空间5.一个线程阅读全文

posted @ 2018-02-15 23:26 zhang_derek 阅读 (23845) | 评论 (0) 编辑

python爬虫入门（三）XPATH和BeautifulSoup4

摘要：XML和XPATH 用正则处理HTML文档很麻烦，我们可以先将 HTML文件转换成 XML文档，然后用 XPath 查找 HTML 节点或元素。 XML 指可扩展标记语言（EXtensible Markup Language） XML 是一种标记语言，很类似 HTML XML 的设计宗旨是传输数据阅读全文

posted @ 2018-02-15 18:06 zhang_derek 阅读 (6932) | 评论 (0) 编辑

python爬虫入门（二）Opener和Requests

摘要：Handler和Opener Handler处理器和自定义Opener opener是urllib2.OpenerDirector的实例，我们之前一直在使用urlopen，它是一个特殊的opener(也就是我们构建好的)。但是urlopen()方法不支持代理、cookie等其他的HTTP/GTTP 阅读全文

posted @ 2018-02-15 00:48 zhang_derek 阅读 (8475) | 评论 (0) 编辑

python爬虫入门（一）urllib和urllib2

摘要：爬虫简介什么是爬虫？爬虫：就是抓取网页数据的程序。 HTTP和HTTPS HTTP协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收 HTML页面的方法。 HTTPS（Hypertext Transfer Protocol over Secure S 阅读全文

posted @ 2018-02-14 20:52 zhang_derek 阅读 (64808) | 评论 (3) 编辑

zhang_derek

随笔分类 - 爬虫