想要采集一些網(wǎng)上的數(shù)據(jù),網(wǎng)上都推薦Scrapy框架,我看了一下官方文檔與網(wǎng)上的文章但是其中還是幾個地方一頭霧水,想要整理一下學習思路,初學者,有些東西都是只是想法,不正確請指點,一起討論。
Scrapy框架感覺只是提供了一個爬蟲解決方案的殼子,官方只給出了簡單情況的使用方法,你可以使用中間件或者修改配置應對更多的情況,我覺得這樣就是為了應對復雜并不斷成長的爬蟲領域,想法挺好的。
爬蟲制作主要解決3件事情:
1、針對網(wǎng)站結(jié)構(gòu)與頁面分析寫出能遍歷所有頁面與數(shù)據(jù)的Spider;
2、編寫對爬到的數(shù)據(jù)清洗、去重、重構(gòu)后并保存下來的Item Pipeline;
3、采集網(wǎng)站的啟動周期,優(yōu)先度、采集頻率等設置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時間展示;
Spider制作過程:
給出初始URL地址,下載器完成后對頁面分析結(jié)構(gòu),比如要采集首頁是列表,分析分頁數(shù)據(jù)制作分頁url連接,發(fā)送新頁的采集URL地址,保存列表數(shù)據(jù)到Item,分析并發(fā)送詳細頁采集URL地址,詳細頁數(shù)據(jù)采集后保存到Item。
(我的理解:列表頁與詳細頁是不是都應該放到一個Spider實現(xiàn),也就是關于這個網(wǎng)站的一個采集信息項目都放到一個Spider中,比如列表與詳細頁面,詳細頁做成一個新函數(shù),列表采集只是重復調(diào)用)
數(shù)據(jù)存儲Item PipeLine制作過程:
把Spider采集到的Item進行數(shù)據(jù)庫保存,數(shù)據(jù)保存前進行清洗,比如去重,數(shù)據(jù)格式標準化,分別處理全量采集數(shù)據(jù)保存,增量采集數(shù)據(jù)保存,更新數(shù)據(jù)的數(shù)據(jù)保存。
(Item只是定義保存的數(shù)據(jù)結(jié)構(gòu)嗎?PipeLine中是數(shù)據(jù)存儲的方式,數(shù)據(jù)清洗與保存方法應該放到PipeLine中嗎?Item與PipeLine如何關聯(lián)起來的呢?)
采集網(wǎng)站的啟動周期,優(yōu)先度、采集頻率等設置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時間展示:
Spider的啟動方式只能通過使用scrapy命令參數(shù)的方式調(diào)用嗎?這樣是不是只能通過編寫shell或者Python程序然后通過命令的方式執(zhí)行呢?啟動周期、優(yōu)先度、采集頻率在什么地方設置,如何獲得采集網(wǎng)站的完成狀態(tài)與完成時間,
比如失敗后重復采集降低優(yōu)先度這種操作如何操作?我看文檔了解官網(wǎng)沒有Web方式管理的平臺,ScrapyD是做什么用的?我了解到SpiderKeeper是一個Python寫的維護Scrapy任務的Web系統(tǒng),還有類似的或者PHP編寫的項目嗎?
寫了很多如果能找到可以參考的開源項目就好了,歡迎熟悉爬蟲采集的高手來解惑。
Scrapy 的操作問題基本上看一遍官網(wǎng)文檔接合例子都可以明白,之前想把Scrapy的整個采集流程串聯(lián)起來了解這個框架怎么樣,主要集中在“采集網(wǎng)站的啟動周期,優(yōu)先度、采集頻率等設置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時間展示”,后來查找網(wǎng)上的文章發(fā)現(xiàn)官網(wǎng)提供ScrapyD這個解決方案,服務運行后提供了一些Http的訪問接口,可以完成控制任務調(diào)度,監(jiān)視任務狀態(tài)的功能,自己做一個界面UI調(diào)用ScrapyD提供的接口就可以了。另外網(wǎng)上有幾套已經(jīng)完成的框架參考:SpiderKeeper、Tiktok 、django-dynamic-scraper
參考網(wǎng)站:https://www.cnblogs.com/zhong...
希望對想要了解Scrapy的朋友有個大體的脈絡了解,Scrapy能解決什么問題,哪些需要用到其他庫幫助,自己需要做哪些工作。
北大青鳥APTECH成立于1999年。依托北京大學優(yōu)質(zhì)雄厚的教育資源和背景,秉承“教育改變生活”的發(fā)展理念,致力于培養(yǎng)中國IT技能型緊缺人才,是大數(shù)據(jù)專業(yè)的國家
北大青鳥中博軟件學院創(chuàng)立于2003年,作為華東區(qū)著名互聯(lián)網(wǎng)學院和江蘇省首批服務外包人才培訓基地,中博成功培育了近30000名軟件工程師走向高薪崗位,合作企業(yè)超4
中公教育集團創(chuàng)建于1999年,經(jīng)過二十年潛心發(fā)展,已由一家北大畢業(yè)生自主創(chuàng)業(yè)的信息技術與教育服務機構(gòu),發(fā)展為教育服務業(yè)的綜合性企業(yè)集團,成為集合面授教學培訓、網(wǎng)
達內(nèi)教育集團成立于2002年,是一家由留學海歸創(chuàng)辦的高端職業(yè)教育培訓機構(gòu),是中國一站式人才培養(yǎng)平臺、一站式人才輸送平臺。2014年4月3日在美國成功上市,融資1
曾工作于聯(lián)想擔任系統(tǒng)開發(fā)工程師,曾在博彥科技股份有限公司擔任項目經(jīng)理從事移動互聯(lián)網(wǎng)管理及研發(fā)工作,曾創(chuàng)辦藍懿科技有限責任公司從事總經(jīng)理職務負責iOS教學及管理工作。
浪潮集團項目經(jīng)理。精通Java與.NET 技術, 熟練的跨平臺面向?qū)ο箝_發(fā)經(jīng)驗,技術功底深厚。 授課風格 授課風格清新自然、條理清晰、主次分明、重點難點突出、引人入勝。
精通HTML5和CSS3;Javascript及主流js庫,具有快速界面開發(fā)的能力,對瀏覽器兼容性、前端性能優(yōu)化等有深入理解。精通網(wǎng)頁制作和網(wǎng)頁游戲開發(fā)。
具有10 年的Java 企業(yè)應用開發(fā)經(jīng)驗。曾經(jīng)歷任德國Software AG 技術顧問,美國Dachieve 系統(tǒng)架構(gòu)師,美國AngelEngineers Inc. 系統(tǒng)架構(gòu)師。