爬取知名社区技术文章_items_2

item中定义获取的字段和原始数据进行处理并合法化数据

#!/usr/bin/python3
# -*- coding: utf-8 -*-

import scrapy
import hashlib
import re
from scrapy.loader.processors import (MapCompose, TakeFirst, Join)
from scrapy.loader import ItemLoader

def go_md5(value):
    # 对cont_url进行md5,作为该表的主键
    m = hashlib.md5()
    if isinstance(value, str):
        m.update(bytes(value, encoding=‘utf-8‘))
        # print(type(m.hexdigest()))
        return m.hexdigest()

def go_time(value):
    # 获取时间,并且格式化时间,raw_t为原始数据,new_t为符合mysql中data类型数据
    raw_t = value.strip()
    if raw_t:
        median_t = raw_t.replace(‘·‘, ‘‘)
        if median_t:
            time_l = median_t.split(‘/‘)
            new_t = ‘-‘.join(time_l)
            return new_t.strip()
        return median_t
    else:
        return raw_t

def go_cont(value):
    # 把文章内容中换行和空格去掉
    return value.strip()

def go_img(value):
    # 确定图片下载器获取的是列表,下载器获取的图片url对象为列表形式
    return value

def get_num(value):
    # 获取评论、点赞、收藏数
    num = re.match(r‘.*?(\d+).*?‘, value)
    if num:
        return int(num.group(1))
    else:
        return 0

class ArticleItemLoader(ItemLoader):
    """
    自定义ItemLoader,要求取每个字段列表中第一个值
    """
    default_output_processor = TakeFirst()

class JobboleItem(scrapy.Item):
    """
    input_processor 数据预处理
    output_processor 数据返回item数据处理
    """

    cont_id = scrapy.Field(
        input_processor=MapCompose(go_md5)

    )
    cont_url = scrapy.Field() #
    title = scrapy.Field()
    publish_time = scrapy.Field(
        input_processor=MapCompose(go_time)
    )
    cont = scrapy.Field(
        input_processor=MapCompose(go_cont),
        output_processor=Join(‘‘)
    )
    img_url = scrapy.Field(
        output_processor=MapCompose(go_img)
    )
    link_num = scrapy.Field(
        input_processor=MapCompose(get_num)
    )
    collection_num = scrapy.Field(
        input_processor=MapCompose(get_num)
    )
    comment_num = scrapy.Field(
        input_processor=MapCompose(get_num)
    )
    img_path = scrapy.Field()

# 测试
if __name__ == ‘__main__‘:
    result = get_num(‘ s ss 14 ssss‘)
    print(result)
时间: 2024-10-18 12:17:08

爬取知名社区技术文章_items_2的相关文章

爬取知名社区技术文章_分析_1

软件运行环境是什么? python 3.50                                      -- 解释器 scrapy库                                         -- 爬虫框架 pymsql库                                         -- 连接mysql数据库 pillow库                                           -- 下载图片 目标网站是什么

爬取知名社区技术文章_setting_5

# -*- coding: utf-8 -*- # Scrapy settings for JobBole project # # For simplicity, this file contains only settings considered important or # commonly used. You can find more settings consulting the documentation: # # http://doc.scrapy.org/en/latest/t

爬取知名社区技术文章_article_3

爬虫主逻辑处理,获取字段,获取主url和子url #!/usr/bin/python3 # -*- coding: utf-8 -*- import scrapy from scrapy.http import Request from urllib import parse from JobBole.items import JobboleItem, ArticleItemLoader class ExampleSpider(scrapy.Spider): name = 'jobbole' #

爬取知名社区技术文章_pipelines_4

获取字段的存储处理和获取普通的路径 #!/usr/bin/python3 # -*- coding: utf-8 -*- import pymysql import gevent import pymysql from gevent import monkey from scrapy.pipelines.images import ImagesPipeline from twisted.enterprise import adbapi import pymysql.cursors class J

使用IP代理池和用户代理池爬取糗事百科文章

简单使用IP代理池和用户代理池的爬虫 import re import random import urllib.request as urlreq import urllib.error as urlerr #用户代理池 uapools = [ "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0", "Mozilla/5.0 (Windows NT 10.0; Win64; x

Python爬虫新手教程:爬取了6574篇文章,告诉你产品经理在看什么!

作为互联网界的两个对立的物种,产品汪与程序猿似乎就像一对天生的死对头:但是在产品开发链条上紧密合作的双方,只有通力合作,才能更好地推动项目发展.那么产品经理平日里面都在看那些文章呢?我们程序猿该如何投其所好呢?我爬取了人人都是产品经理栏目下的所有文章,看看产品经理都喜欢看什么. 1. 分析背景 1.1. 为什么选择「人人都是产品经理」 人人都是产品经理是以产品经理.运营为核心的学习.交流.分享平台,集媒体.培训.招聘.社群为一体,全方位服务产品人和运营人,成立8年举办在线讲座500+期,线下分享

Python爬取CSDN博客文章

之前解析出问题,刚刚看到,这次仔细审查了 0 url :http://blog.csdn.net/youyou1543724847/article/details/52818339Redis一点基础的东西目录 1.基础底层数据结构 2.windows下环境搭建 3.java里连接redis数据库 4.关于认证 5.redis高级功能总结1.基础底层数据结构1.1.简单动态字符串SDS定义: ...47分钟前1 url :http://blog.csdn.net/youyou1543724847/

使用Scrapy来爬取自己的CSDN文章

前言 爬虫作为一中数据搜集获取手段,在大数据的背景下,更加得到应用.我在这里只是记录学习的简单的例子.大牛可以直接使用python的url2模块直接抓下来页面,然后自己使用正则来处理,我这个技术屌丝只能依赖于框架,在这里我使用的是Scrapy. install 首先是python的安装和pip的安装. sudo apt-get install python python-pip python-dev 然后安装Scrapy sudo pip install Scrapy 在安装Scrapy的过程中

爬虫爬取“吟”的技术博客

下午事情少,顺便把昨天的爬虫练习下,平时都看磊的技术博哥(干货比较多):就试试先写一个简单的爬虫,后期有机会再完善,做整站和多线程. 1.观察爬取的URL: 通过观察我们发现,在首页部分包含有文章的标题列表,然后思路就是:通过这一页的url可以获取所有文章标题,再通过标题获取到文章的URL,在通过RUL下载: 观察这一页的URL为: http://dl528888.blog.51cto.com/2382721/p-1:第二页往后类推就是p-2..p-*,这样就很容易把整站都爬下来(这里只是取第一