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(gè)地方一頭霧水,想要整理一下學(xué)習(xí)思路,初學(xué)者,有些東西都是只是想法,不正確請(qǐng)指點(diǎn),一起討論。
Scrapy框架感覺只是提供了一個(gè)爬蟲解決方案的殼子,官方只給出了簡(jiǎn)單情況的使用方法,你可以使用中間件或者修改配置應(yīng)對(duì)更多的情況,我覺得這樣就是為了應(yīng)對(duì)復(fù)雜并不斷成長(zhǎng)的爬蟲領(lǐng)域,想法挺好的。
爬蟲制作主要解決3件事情:
1、針對(duì)網(wǎng)站結(jié)構(gòu)與頁(yè)面分析寫出能遍歷所有頁(yè)面與數(shù)據(jù)的Spider;
2、編寫對(duì)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(dòng)周期,優(yōu)先度、采集頻率等設(shè)置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時(shí)間展示;
Spider制作過程:
給出初始URL地址,下載器完成后對(duì)頁(yè)面分析結(jié)構(gòu),比如要采集首頁(yè)是列表,分析分頁(yè)數(shù)據(jù)制作分頁(yè)url連接,發(fā)送新頁(yè)的采集URL地址,保存列表數(shù)據(jù)到Item,分析并發(fā)送詳細(xì)頁(yè)采集URL地址,詳細(xì)頁(yè)數(shù)據(jù)采集后保存到Item。
(我的理解:列表頁(yè)與詳細(xì)頁(yè)是不是都應(yīng)該放到一個(gè)Spider實(shí)現(xiàn),也就是關(guān)于這個(gè)網(wǎng)站的一個(gè)采集信息項(xiàng)目都放到一個(gè)Spider中,比如列表與詳細(xì)頁(yè)面,詳細(xì)頁(yè)做成一個(gè)新函數(shù),列表采集只是重復(fù)調(diào)用)
數(shù)據(jù)存儲(chǔ)Item PipeLine制作過程:
把Spider采集到的Item進(jìn)行數(shù)據(jù)庫(kù)保存,數(shù)據(jù)保存前進(jìn)行清洗,比如去重,數(shù)據(jù)格式標(biāo)準(zhǔn)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(chǔ)的方式,數(shù)據(jù)清洗與保存方法應(yīng)該放到PipeLine中嗎?Item與PipeLine如何關(guān)聯(lián)起來的呢?)
采集網(wǎng)站的啟動(dòng)周期,優(yōu)先度、采集頻率等設(shè)置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時(shí)間展示:
Spider的啟動(dòng)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(dòng)周期、優(yōu)先度、采集頻率在什么地方設(shè)置,如何獲得采集網(wǎng)站的完成狀態(tài)與完成時(shí)間,
比如失敗后重復(fù)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(tái),ScrapyD是做什么用的?我了解到SpiderKeeper是一個(gè)Python寫的維護(hù)Scrapy任務(wù)的Web系統(tǒng),還有類似的或者PHP編寫的項(xiàng)目嗎?
寫了很多如果能找到可以參考的開源項(xiàng)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(gè)采集流程串聯(lián)起來了解這個(gè)框架怎么樣,主要集中在“采集網(wǎng)站的啟動(dòng)周期,優(yōu)先度、采集頻率等設(shè)置,采集網(wǎng)站數(shù)據(jù)采集完成狀態(tài),完成時(shí)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(gè)解決方案,服務(wù)運(yùn)行后提供了一些Http的訪問接口,可以完成控制任務(wù)調(diào)度,監(jiān)視任務(wù)狀態(tài)的功能,自己做一個(gè)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(duì)想要了解Scrapy的朋友有個(gè)大體的脈絡(luò)了解,Scrapy能解決什么問題,哪些需要用到其他庫(kù)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(xué)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(guó)IT技能型緊缺人才,是大數(shù)據(jù)專業(yè)的國(guó)家
北大青鳥中博軟件學(xué)院創(chuàng)立于2003年,作為華東區(qū)著名互聯(lián)網(wǎng)學(xué)院和江蘇省首批服務(wù)外包人才培訓(xùn)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(tuán)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(shù)與教育服務(wù)機(jī)構(gòu),發(fā)展為教育服務(wù)業(yè)的綜合性企業(yè)集團(tuán),成為集合面授教學(xué)培訓(xùn)、網(wǎng)
達(dá)內(nèi)教育集團(tuán)成立于2002年,是一家由留學(xué)海歸創(chuàng)辦的高端職業(yè)教育培訓(xùn)機(jī)構(gòu),是中國(guó)一站式人才培養(yǎng)平臺(tái)、一站式人才輸送平臺(tái)。2014年4月3日在美國(guó)成功上市,融資1
曾工作于聯(lián)想擔(dān)任系統(tǒng)開發(fā)工程師,曾在博彥科技股份有限公司擔(dān)任項(xiàng)目經(jīng)理從事移動(dòng)互聯(lián)網(wǎng)管理及研發(fā)工作,曾創(chuàng)辦藍(lán)懿科技有限責(zé)任公司從事總經(jīng)理職務(wù)負(fù)責(zé)iOS教學(xué)及管理工作。
浪潮集團(tuán)項(xiàng)目經(jīng)理。精通Java與.NET 技術(shù), 熟練的跨平臺(tái)面向?qū)ο箝_發(fā)經(jīng)驗(yàn),技術(shù)功底深厚。 授課風(fēng)格 授課風(fēng)格清新自然、條理清晰、主次分明、重點(diǎn)難點(diǎn)突出、引人入勝。
精通HTML5和CSS3;Javascript及主流js庫(kù),具有快速界面開發(fā)的能力,對(duì)瀏覽器兼容性、前端性能優(yōu)化等有深入理解。精通網(wǎng)頁(yè)制作和網(wǎng)頁(yè)游戲開發(fā)。
具有10 年的Java 企業(yè)應(yīng)用開發(fā)經(jīng)驗(yàn)。曾經(jīng)歷任德國(guó)Software AG 技術(shù)顧問,美國(guó)Dachieve 系統(tǒng)架構(gòu)師,美國(guó)AngelEngineers Inc. 系統(tǒng)架構(gòu)師。