市丸银

2019年10月28日

摘要：存值若要存入集合的值已存在(redis)，则返回值r1或r2是 0 阅读全文

posted @ 2019-10-28 23:32 市丸银阅读(106) 评论(0) 推荐(0) 编辑

摘要： 1、类 2、配置文件阅读全文

posted @ 2019-10-28 23:24 市丸银阅读(236) 评论(0) 推荐(0) 编辑

摘要：一、单爬虫运行每次运行scrapy都要在终端输入命令太麻烦了在项目的目录下创建manager.py（任意名称）二、所有爬虫运行 1、在spiders同级创建commands目录(任意) 2、在其中创建 crawlall.py 文件，决定命令的运行 3、配置文件 4、manager.py 阅读全文

posted @ 2019-10-28 23:11 市丸银阅读(247) 评论(0) 推荐(0) 编辑

Scrapy中间件

摘要：一、下载中间件 1、应用场景代理 USER_AGENT(在setting文件中配置即可) 2、定义类 a、process_request 返回None 执行顺序 md1 request -> md2 request -> md2 response -> md1 response b、process 阅读全文

posted @ 2019-10-28 22:56 市丸银阅读(232) 评论(0) 推荐(0) 编辑

2019年10月27日

Scrapy简介

摘要：一、架构图二、流程 1、引擎从调度器中取出一个URL，用于抓取 2、引擎把URL封装成一个请求(start_requests) 传递给下载器 3、下载器把资源下载下来，并封装成Response 4、爬虫解析(parse) Response 5、解析出实体(yield Item)，交给pipelin 阅读全文

posted @ 2019-10-27 23:25 市丸银阅读(136) 评论(0) 推荐(0) 编辑

Scrapy解析器xpath

摘要：一、使用xpath 不在scrapy框架中通过response HtmlResponse->TextResponse->self.selector.xpath(query, **kwargs)->selector(self)->from scrapy.selector import Selector 阅读全文

posted @ 2019-10-27 23:04 市丸银阅读(2917) 评论(0) 推荐(0) 编辑

Scrapy设置代理

摘要：设置代理的位置:下载中间件一、内置代理(优点：简单，缺点：只能代理一个ip) 1、源码分析 process_request(self, request, spider)在下载器执行前执行 _set_proxy方法(设置代理)->self.proxies[scheme]->self.proxies 阅读全文

posted @ 2019-10-27 22:15 市丸银阅读(2576) 评论(0) 推荐(0) 编辑

2019年10月26日

Scrapy定制起始请求

摘要： Scrapy引擎来爬虫中取起始的URL 1、调用start_requests方法(父类)，并获取返回值 2、将放回值变成迭代器，通过iter() 3、执行__next__()方法取值 4、把返回值全部放到调度器中在爬虫类中重写start_requests方法 from scrapy import 阅读全文

posted @ 2019-10-26 20:00 市丸银阅读(195) 评论(0) 推荐(0) 编辑

Scrapy深度和优先级

摘要：一、深度配置文件 settings.py 二、优先级配置文件优先级为正数时，随着深度越大，优先级越低源码中，优先级三、源码分析 1、深度前提：scrapy yield request对象 -> 中间件 ->调度器... yield Request对象没有设置meta的值，meta默认为N 阅读全文

posted @ 2019-10-26 16:29 市丸银阅读(1369) 评论(0) 推荐(0) 编辑

2019年10月25日

Scrapy去重

摘要：一、原生 1、模块 2、RFPDupeFilter方法 a、request_seen 核心：爬虫每执行一次yield Request对象，则执行一次request_seen方法作用：用来去重，相同的url只能访问一次实现：将url值变成定长、唯一的值，如果这个url对象存在，则返回True表名已阅读全文

posted @ 2019-10-25 23:45 市丸银阅读(679) 评论(0) 推荐(0) 编辑

知行合一

公告