python之scrapy实战爬取表情包
前言:在之前我们学习了scrapy框架的基本使用,今天我们通过实战(爬取http://www.doutula.com的套图)来更加了解scrapy框架额使用,仅以此来告别我们的爬虫入门,后续会有一些反爬,验证码识别,数据分析的文章。下次我们就从基础开始学习python,中间也有可能会穿插一些有趣的东西。来帮助我们学习python。
注意:很多人学python过程中会遇到各种烦恼问题,没有人帮答疑。为此小编建了个python全栈免费答疑交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python教程项目可拿,,一起相互监督共同进步!
一、爬取表情包思路(http://www.doutula.com)
1、打开网站,点击最新套图
2、之后我们可以看到没有套图,我们需要提取每个套图的连接
3、获取连接之后,进入页面提取图片就好了
4、我们可以发现该网站还穿插有广告,我们需要过滤点广告
二、实战
关于新建项目我们就不再多说了。不知道的可以看看这篇文章:
1、首先我们提取第一页的url
通过上图我们可以发现我们想要的url全在class名为col-sm-9的div下,
红色框的部分为广告。不是a标签,所以我们就不用过滤了。我们直接选取col-sm-9下的直接子节点即可
写下如下代码:
值得注意的是在settings.py中需要添加头信息和将robots.txt协议修改为false
我们打上断点调试一下:
我们发现我们想要的信息已经提取出来了。
注意:在request中的mate参数,是用来传递参数的,传递给下一个方法使用。使用方法和字典相似。
2、完善item
我们只需要三个字段,什么系列,图片url,图片名称。
3、提取item中我们需要的字段
4、下一页
5、保存
因为对scrapy保存图片没有研究,所以就自己写保存图片的方法。
在pipelines.py种添加如下代码:
并且在settings.py中添加:
6、运行
直接报错,所以我们在settings.py添加头信息
运行一段时候后又报错了,看来需要随机更换表头信息。
这里我们使用第三方库很方便,pip3 install fake_useragent
安装成功后我们在middlewares.py中导入:from fake_useragent import useragent
添加如下代码:
在settings.py文件中添加
运行main文件:
即可。
小结:
效果图:
问题:
在运行过程中遇到了四个问题:
1、没有获取大到图片连接:
可能这个网站有两个版本获取的css方式不一样。
解决方法:可以使用xpath中的|(或)来解决
2、没有获取到图片名称
解决方法:同上
3、图片名称相同
解决方法:可以使用md5加密后添加,你也可以使用你自己的方法
4、在图片名中含有?/\等非法字符
解决方法:可以通过正则过滤,如果md5加密,那么一下解决两个问题。
虽然有些图片没有获取到,但是还是爬取了很多。有兴趣的可以尝试去修改。
注意:很多人学python过程中会遇到各种烦恼问题,没有人帮答疑。为此小编建了个python全栈免费答疑交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python教程项目可拿,,一起相互监督共同进步!
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。