George

摘要： 爬虫：（在这里不用配置start_url，直接可以取redis里面取start_url，可以多个） from scrapy_redis.spiders import RedisSpider # class ChoutiSpider(scrapy.Spider): class ChoutiSpider(RedisSpider): name = 'baidu'##在这里设置了这个name... 阅读全文

摘要： 首先先谈谈深度优先和广度优先的定义 深度优先搜索算法（英语：Depth-First-Search，DFS）是一种用于遍历或搜索树或图的算法。沿着树的深度遍历树的节点，尽可能深的搜索树的分支。当节点v的所在边都己被探寻过，搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的 阅读全文

摘要： settings里面的配置：'''当下面配置了这个（scrapy-redis）时候，下面的调度器已经配置在scrapy-redis里面了'''##########连接配置######## REDIS_HOST = '127.0.0.1' REDIS_PORT = 6379 # REDIS_PARAMS = {'password':'xxxx'} #Redis连接参数，默认：REDIS_P... 阅读全文

摘要： 不使用scrapy-redis的： 最初始的方法： settings里面： settings里面： 第一种去重方法：原生的scrapy-redis去重： settings里面： DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'##自 阅读全文

摘要： ''' extract()拿到的是字符串 xpath拿到的是selector对象，可以继续往下面找标签 //是孙子,子子孙孙，都可以找到 /是孩子 @是找属性 .是在当前的标签下面往下找 extra_first()只取第一个值 ./儿子（当前标签下面） .//当前标签下面的孙子,子子孙孙都可以 ex 阅读全文

摘要： from scrapy import signals engine_started = object() engine_stopped = object() spider_opened = object() spider_idle = object() 爬虫被闲置的时候 spider_closed = object() spider_error = object() request_sc... 阅读全文

摘要： 不在终端运行爬虫方法：不在终端运行爬虫，可以在最外层项目的下创建start.py文件导入如下配置：直接运行就可以了 自定制scrapy命令方法： 在settings里面的配置：COMMANDS_MODULE='scrapyproject1.commands' 首先在你要启动的项目下面（spider的 阅读全文

摘要： 执行顺序： 找到这个爬虫，并执行爬虫里面的start_requets的方法，得到一个迭代器,start_request默认的回调函数是parse迭代器的里面的作用是会循环获取到requets对象，requtes对象里面封装了要访问的url和回调函数将所有的request对象（任务）放到调度器里面，供 阅读全文

摘要： 去重原理：相当于是写了集合self.vister_urls=set()，把所有的url放进去当执行yield Requets的时候就会执行，进行判断，看是否这个访问的url在这个集合里面，如果在的话，就不添加进去了 from scrapy.utils.request import request_f 阅读全文

摘要： 执行顺序：pipeline写 pipeline类class Scrapyproject1Pipeline(object): def process_item(self, item, spider): 写items类：class Scrapyproject1Item(scrapy.Item): url 阅读全文