博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
pyspider 示例
阅读量:4598 次
发布时间:2019-06-09

本文共 3114 字,大约阅读时间需要 10 分钟。

数据存放目录:

C:\Users\Administrator\data

升级版(可加载文章内所有多层嵌套的图片标签)

#!/usr/bin/env python# -*- encoding: utf-8 -*-# Created on 2019-04-08 14:24:34# Project: qunaerfrom pyspider.libs.base_handler import *class Handler(BaseHandler):    crawl_config = {    }    @every(minutes=24 * 60)    def on_start(self):        self.crawl('https://travel.qunar.com/travelbook/list.htm', callback=self.index_page,validate_cert=False)    @config(age=10 * 24 * 60 * 60)    def index_page(self, response):        for each in response.doc('li > .tit>a').items():            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False,fetch_type='js',js_viewport_height='100000')        next1=response.doc('.next').attr.href        self.crawl(next1,callback=self.index_page,validate_cert=False)    @config(priority=2)    def detail_page(self, response):        imgs=response.doc('.js_memo_node').find('img')#获取id下的所有(包括多层嵌套的)img标签        img_list=''                                  #必须事先声明,否则return,img_list时会报错:引用未事先声明的局部变量        for img in imgs.items():            img_list+=img.attr.src+','              #把所有图片用,组合在一起                                                    #【复习】img_list=', '.join(['cats', 'rats', 'bats'])        return {            "url": response.url,            "title": response.doc('title').text(),            "date":response.doc('li.f_item.when > p > span.data').text(),            "day":response.doc('li.f_item.howlong > p > span.data').text(),            "text":response.doc('#b_panel_schedule').text(),            "img":img_list                    }#ele-3076663-2 > div.bottom > div.e_img_schedule > div > dl:nth-child(2) > dt > img

 

例子A

#!/usr/bin/env python# -*- encoding: utf-8 -*-# Created on 2019-04-08 14:24:34# Project: qunaerfrom pyspider.libs.base_handler import *class Handler(BaseHandler):    crawl_config = {    }    @every(minutes=24 * 60)    def on_start(self):        self.crawl('https://travel.qunar.com/travelbook/list.htm', callback=self.index_page,validate_cert=False)    @config(age=10 * 24 * 60 * 60)    def index_page(self, response):        for each in response.doc('li > .tit>a').items():            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False,fetch_type='js',js_viewport_height='100000')#用js加载,指定页面高度,防止懒加载图片只加载一半        next1=response.doc('.next').attr.href        self.crawl(next1,callback=self.index_page,validate_cert=False)    @config(priority=2)    def detail_page(self, response):        #imgs=response.doc('#js_mainleft').find('img')        #for img in imgs.items():        #    img_list=img_list+img+','                return {            "url": response.url,            "title": response.doc('title').text(),            "date":response.doc('li.f_item.when > p > span.data').text(),            "day":response.doc('li.f_item.howlong > p > span.data').text(),            "text":response.doc('#b_panel_schedule').text(),            "img":response.doc('#js_mainleft').find('img').attr.src                    }#ele-3076663-2 > div.bottom > div.e_img_schedule > div > dl:nth-child(2) > dt > img

 

转载于:https://www.cnblogs.com/chenxi188/p/10689335.html

你可能感兴趣的文章
从父控件移除控件
查看>>
calc()制作自适应布局
查看>>
Markdown-写作必备
查看>>
关于在Java中 a!=a 值为真的解释(摘抄)
查看>>
C#串口小助手
查看>>
详解定位与定位应用
查看>>
【前端开发】 5分钟创建 Mock Server
查看>>
一个Tomcat配置参数引发的血案
查看>>
java 从键盘录入的三种方法
查看>>
使用jQuery和YQL,以Ajax方式加载外部内容
查看>>
pyspider 示例
查看>>
电路板工艺中的NPTH和PTH
查看>>
JNI实现JAVA和C++互相调用
查看>>
JAVA 笔记(一)
查看>>
js 循环读取 json的值
查看>>
c# 范型Dictionary实用例子
查看>>
C#实现动态页面静态化
查看>>
可选参数、命名参数、.NET的特殊类型、特性
查看>>
利用CGLib实现动态代理实现Spring的AOP
查看>>
面试之SQL(1)--选出选课数量>=2的学号
查看>>