Part1:需求简要描述
1、抓取http://www.jokeji.cn网站的笑话
2、以瀑布流方式显示
Part2:安装爬虫框架Scrapy1.4
1、 安装Scrapy1.4
E:\django\myProject001>pip install scrapy
执行报错:
error: Unable to find vcvarsall.bat
Failed building wheel for Twisted
2、安装wheel
E:\django\myProject001>pip install wheel
3、下载编译好的wheel文件
访问下面链接下载编译好的wheel文件到当前目录下
https://www.lfd.uci.edu/~gohlke/pythonlibs/
4、安装编译好的wheel文件
E:\django\myProject001>pip install Twisted-17.9.0-cp35-cp35m-win_amd64.whl
E:\django\myProject001>pip install Scrapy-1.4.0-py2.py3-none-any.whl
5、查看Scrapy是否安装成功
E:\django\myProject001>scrapy version
Scrapy 1.4.0
6、安装Py32Win模块
E:\django\myProject001>pip install pypiwin32
访问windows系统API的库
7、安装OpenPyXL
E:\django\myProject001>pip install openpyxl
用于将爬取数据写入Excel文件
Part3:创建项目及应用
1、创建项目及应用
E:\django>django-admin startproject myProject001
E:\django>cd myProject001
E:\django\myProject001>python3 manage.py startapp joke
2、修改settings.py
文件路径:myProject001\myProject001\settings.py
# 增加应用 INSTALLED_APPS = [ ‘django.contrib.admin‘, ‘django.contrib.auth‘, ‘django.contrib.contenttypes‘, ‘django.contrib.sessions‘, ‘django.contrib.messages‘, ‘django.contrib.staticfiles‘, ‘joke‘, ] # 修改amind管理后台语言 LANGUAGE_CODE = ‘zh-hans‘ TIME_ZONE = ‘Asia/Shanghai‘
3、修改modles.py
文件路径:myProject001\joke\models.py
from django.db import models class Jokes(models.Model): jokeText = models.TextField(u‘笑话内容‘) createDate = models.DateField(u‘创建日期‘, auto_now_add=True) modifyDate = models.DateField(u‘修改日期‘, auto_now=True)
4、创建数据迁移文件并执行
E:\django\myProject001>python3 manage.py makemigrations
E:\django\myProject001>python3 manage.py migrate
使用SQLite查看数据库,表创建成功
5、修改views.py
文件路径:myProject001\joke\views.py
from django.shortcuts import render from django.http import HttpResponse def index(request): return HttpResponse(‘这里是笑话应用的首页‘)
6、在joke应用下创建urls.py
文件路径:myProject001\joke\urls.py
from django.urls import path from . import views urlpatterns = [ path(‘‘, views.index, name=‘index‘), ]
7、修改项目应用下的urls.py
文件路径:myProject001\myProject001\urls.py
from django.contrib import admin from django.urls import path,include urlpatterns = [ path(‘admin/‘, admin.site.urls), path(‘joke/‘, include(‘joke.urls‘)), ]
8、创建应用首页模板文件index.html
模板文件路径:
myProject001\joke\templates\joke\index.html
模板文件内容:
<html> <head> <title>笑话应用的首页</title> </head> <body> </body> </html>
9、启动应用
E:\django\myProject001>python3 manage.py runserver
访问如下地址,应用创建成功
http://127.0.0.1:8000/joke/
Part4:了解XPath一些基本知识
1、节点和属性
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=gb2312" /> <title>开心一刻</title> <link rel="icon" href="/favicon.ico" type="image/x-icon" /> <link href="css/list.css" rel="stylesheet" type="text/css" /> </head> <body> <div class="style_top"> <div class="list_title"> <ul> <li> <a href="/jokehtml/bxnn/2017122722221351.htm"target="_blank" >醉人的笑容你会有</a> </li> <li> <a href="/jokehtml/fq/201712272221462.htm"target="_blank" >搞笑夫妻乐事儿多</a> </li> <li> <a href="/jokehtml/mj/2017122722205011.htm"target="_blank" >幽默密切联系生活</a> <i> </ul> </div> </div> </body> </html>
节点/元素:html、head、body、div、li 等
节点/元素文本内容:开心一刻、醉人的笑容你会有
属性:class、href 等
属性值:style_top、/jokehtml/bxnn/2017122722221351.htm 等
2、XPath使用路径表达式选取节点
表达式 | 描述 | 实例 |
节点名称 | 选取此节点的所有子节点 | body |
/ | 从根节点选取 | /html |
// | 选择文档中的节点,而不考虑位置 | //li |
. | 选取当前节点 | .//title |
.. | 选取当前节点的父节点 | |
@ | 选取属性 | //@href |
谓语 | 找某个特定的节点或者包含某个指定的值的节点 | //title[@lang=‘eng‘] |
* | 任意元素 | //* |
@* | 任意属性 | //title[@*] |
node() | 任意类型 | |
| | 或运算符 | //title | //price |
: | 命名空间 | my:* |
text() | 文本内容 | /html/head/title/text() |
response.xpath() | 返回选择器列表,使用xpath语法选择的节点 | response.xpath(‘//base/@href‘).extract() |
response.css() | 返回选择器列表,使用css语法选择的节点 | response.css(‘base::attr(href)‘).extract() |
response.extract() | 返回被选择元素的unicode字符串 | |
response.re() | 返回通过正则表达式提取的unicode字符串列表 |
Part5:分析网页源代码确定抓取数据的逻辑
1、笑话内容页面源码分析
笑话内容所在的html代码
<span id="text110"> <P>1、为了省腮红钱,我每天出门给自己两个耳光。</P> <P>2、不要把今天的工作拖到明天,明天还不是要做?还不如干脆点,今天就把工作辞了。 </P> <P>3、朋友,你听我一句劝,钱没了可以再挣,所以我找你借的那笔钱就不还了吧。</P> <P>4、正能量的东西也不能多看,就好比自己挺穷的,哪能天天看有钱人的生活?肯定越看越伤心。还不如多看点更丧的东西,显得自己元气尚存。</P> <P>5、根据一个人的车,我们就能看出这个人是什么样的。比如:如果它在沟里,它就是女人的车。</P> <P>6、以前小时候女鬼总喜欢在梦里吓我,现在长大了,懂事了,单身久了,女鬼都不敢出现了!</P> <P>7、我喜欢了一个女生,为了弄清楚她是什么样的人,所以我关注她小号。然后被她发现,扇了我一巴掌,把我从厕所赶出来了。</P> <P>8、老是看到有人说趴在兰博基尼方向盘上哭,然后大家都很羡慕的样子,所以我想问一下,哪里有兰博基尼方向盘出售?</P> <P>9、这个世界上漂亮女孩已经那么多,为啥不能多一个我?</P> <P>10、我都19了,还没来月经,身边的女孩纸胸都老高了,我还是平胸,怎么办啊!可怕的是腿上胳膊上汗毛老长了,更更可怕的是裤裆里,长出来个可怕的东西,有时候软软的,有时候硬硬的,好可怕啊,我该怎么办?</P> </span>
翻页所在的html代码
<div class=zw_page1> 下一篇:<a href="../../JokeHtml/bxnn/2017122722221351.htm">爆逗二货,醉人的笑容你会有</a> </div> <div class=zw_page2> 上一篇:<a href="../../JokeHtml/bxnn/2017122900222852.htm">搞笑很出色的是二货</a> </div>
2、定义提取逻辑
先依据初始链接提取笑话内容
分支1:
提取下一篇链接,依据下一篇链接提取笑话内容
如此循环,直至没有下一篇链接
分支2:
提取上一篇链接,依据上一篇链接提取笑话内容
如此循环,直至没有上一篇链接
Part6:创建Scrapy项目抓取数据
1、创建Scrapy项目
E:\scrapy>scrapy startproject myScrapy1815
执行上面的命令生成项目myScrapy1815
再在目录myScrapy1815\myScrapy1815\spiders\下创建文件myJoke_spider.py
项目的完整目录结构如下
2、定义Item
Item是保存爬取到的数据的容器,可以理解为编程中的对象。一个Item即一个对象保存的是一条记录。
打开文件myScrapy1815\myScrapy1815\items.py
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # http://doc.scrapy.org/en/latest/topics/items.html import scrapy class Myscrapy1815Item(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() pass class JokeItem(scrapy.Item): # 正文内容 joke_content = scrapy.Field()
3、编写Spider
打开文件myScrapy1815\myScrapy1815\spiders\myJoke_spider.py
添加如下内容
import scrapy from scrapy.http.request import Request from myScrapy1815.items import JokeItem class JokeSpider(scrapy.Spider): name = "joke" allowed_domains = ["jokeji.cn"] start_urls = [ "http://www.jokeji.cn/JokeHtml/bxnn/2017122900211092.htm" ] def parse(self, response): # 获取笑话内容 jokes = response.xpath(‘//span[@id="text110"]/p‘).extract() for joke in jokes: item = JokeItem() item[‘joke_content‘] = joke yield item # 获取下一篇链接 nexthref = response.xpath(‘//div[@class="zw_page1"]/a/@href‘).extract_first() if nexthref is not None: # 将相对url转为绝对url nexthref = response.urljoin(nexthref) # 继续获取下一篇笑话 yield Request(nexthref, callback=self.parseNexthref) # 获取上一篇链接 prevhref = response.xpath(‘//div[@class="zw_page2"]/a/@href‘).extract_first() if prevhref is not None: # 将相对url转为绝对url prevhref = response.urljoin(prevhref) # 继续获取下一篇笑话 yield Request(prevhref, callback=self.parsePrevhref) def parseNexthref(self, response): # 获取笑话内容 jokes = response.xpath(‘//span[@id="text110"]/p‘).extract() print(jokes) for joke in jokes: item = JokeItem() item[‘joke_content‘] = joke yield item # 获取下一篇链接 nexthref = response.xpath(‘//div[@class="zw_page1"]/a/@href‘).extract_first() if nexthref is not None: # 将相对url转为绝对url nexthref = response.urljoin(nexthref) # 继续获取下一篇笑话,测试时可以将下一行代码注释掉 #yield Request(nexthref, callback=self.parseNexthref) def parsePrevhref(self, response): # 获取笑话内容 jokes = response.xpath(‘//span[@id="text110"]/p‘).extract() for joke in jokes: item = JokeItem() item[‘joke_content‘] = joke yield item # 获取上一篇链接 prevhref = response.xpath(‘//div[@class="zw_page2"]/a/@href‘).extract_first() if prevhref is not None: # 将相对url转为绝对url prevhref = response.urljoin(prevhref) # 继续获取上一篇笑话,测试时可以将下一行代码注释掉 #yield Request(prevhref, callback=self.parsePrevhref)
4、编写Item Pipeline
当Item在Spider中被收集之后,它将会被传递到Item Pipeline
打开文件myScrapy1815\myScrapy1815\pipelines.py
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import sqlite3 import json import re from openpyxl import Workbook class Myscrapy1815Pipeline(object): def __init__(self): # 文件文件 self.file = open(‘myItems.json‘, ‘w‘, encoding=‘utf-8‘) # Excel文件 self.wb = Workbook() self.ws = self.wb.active self.ws.title = "笑话集" #定义sheet名称 self.ws.append([‘joke_content‘]) #定义表头 # 数据库连接 self.conn = sqlite3.connect("E:\\django\\myProject001\\db.sqlite3") # 当spider被开启时方法被调用 def open_spider(self, spider): pass # 每个item pipeline组件都需要调用该方法 def process_item(self, item, spider): # 写入文本文件 line = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(line) # 写入Excel文件 self.ws.append([item[‘joke_content‘]]) self.wb.save(‘myItems.xlsx‘) # 写入数据库 record = item[‘joke_content‘] record = record.replace(‘<BR>‘,‘\r\n‘) pattern = re.compile(r‘<[^>]+>‘, re.S) record = pattern.sub(‘‘, record) sql="insert into joke_jokes(jokeText,createDate,modifyDate) values(‘"+record+"‘,datetime(‘now‘,‘localtime‘),datetime(‘now‘,‘localtime‘))" self.conn.execute(sql) self.conn.commit() return item # 当spider被关闭时方法被调用 def close_spider(self, spider): self.file.close() self.conn.close() pass
5、激活Item Pipeline
打开文件myScrapy1815\myScrapy1815\settings.py
删掉如下三行代码之前的注释符#
ITEM_PIPELINES = { ‘myScrapy1815.pipelines.Myscrapy1815Pipeline‘: 300, }
6、启动Spider
E:\scrapy\myScrapy1815>scrapy crawl joke
抓取的数据,文本文件格式如下
抓取的数据,Excel文件格式如下
抓取的数据,保存在SQLite数据库中如下
Part7:以瀑布流方式显示笑话内容
1、修改settings.py
文件位置:myProject001\myProject001\settings.py
ALLOWED_HOSTS = [‘10.61.226.236‘,‘127.0.0.1‘,‘localhost‘]
允许通过以上3个地址访问
2、修改应用的urls.py
文件位置:myProject001\joke\urls.py
from django.urls import path from . import views urlpatterns = [ path(‘‘, views.index, name=‘index‘), path(‘index_ajax/‘, views.index_ajax), ]
3、修改views.py
文件位置:myProject001\joke\views.py
from json import dumps from django.core import serializers from django.shortcuts import render from django.http import HttpResponse,JsonResponse from . import models # 页面首次加载的记录数 FIRST_PAGE_SIZE = 50 # Ajax每次加载的记录数 PAGE_SIZE = 20 def index(request): # 首次加载 jokes = models.Jokes.objects.all()[0:FIRST_PAGE_SIZE] return render(request, ‘joke/index.html‘, {‘jokes‘:jokes}) def index_ajax(request): # 当前页码 pageIndex = int(request.POST.get(‘pageIndex‘,‘1‘)) # 总记录数 totalCount = models.Jokes.objects.filter().count() # 定义提取记录的范围(数组上标、数组下标) lBound = FIRST_PAGE_SIZE + (pageIndex-1) * PAGE_SIZE uBound = FIRST_PAGE_SIZE + pageIndex * PAGE_SIZE # 是否有下一页(上标小于总记录数时有下一页) hasNextPage = 1 if uBound <= totalCount else 0 # 如果上标大于或等于总记录数,则上标使用总记录数 if uBound >= totalCount: uBound = totalCount # 按范围提取记录 jokes = models.Jokes.objects.all()[lBound:uBound] # 序列化JSON json_data = {} json_data[‘hasNextPage‘] = hasNextPage json_data[‘jokes‘] = serializers.serialize(‘json‘, jokes) # 返回JSON格式的数据 return HttpResponse(JsonResponse(json_data), content_type="application/json")
4、修改模板文件index.html
文件位置:myProject001\joke\templates\joke\index.html
<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="utf-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> <meta name="viewport" content="width=device-width, initial-scale=1"> <!-- 上述3个meta标签*必须*放在最前面,任何其他内容都*必须*跟随其后! --> <title>段子</title> {% load static %} <link rel="stylesheet" type="text/css" href="{% static ‘joke/css/bootstrap.min_v3.3.7.css‘ %}" /> <link rel="stylesheet" type="text/css" href="{% static ‘joke/css/style.css‘ %}" /> <!-- HTML5 shim and Respond.js for IE8 support of HTML5 elements and media queries --> <!-- WARNING: Respond.js doesn‘t work if you view the page via file:// --> <!--[if lt IE 9]> <script src="https://cdn.bootcss.com/html5shiv/3.7.3/html5shiv.min.js"></script> <script src="https://cdn.bootcss.com/respond.js/1.4.2/respond.min.js"></script> <![endif]--> </head> <body> <div class="container"> <div id="masonry" class="row masonry"> {% for joke in jokes %} <div class="col-md-4 col-sm-6 col-xs-12 item "> <div class="well well-sm" style="line-height:180%;"> <span class="label label-success">{{ joke.pk }}</span> {{ joke.jokeText }} </div> </div> {% endfor %} </div> </div> <script src="{% static ‘joke/js/jquery.min_v1.12.4.js‘ %}"></script> <script src="{% static ‘joke/js/bootstrap.min_v3.3.7.js‘ %}"></script> <script src="{% static ‘joke/js/masonry.pkgd.min_v4.2.0.js‘ %}"></script> <script src="{% static ‘joke/js/imagesloaded.pkgd.min_v4.1.3.js‘ %}"></script> <!-- 瀑布流布局 --> <script> $("#loadingModal").modal(‘show‘); $(‘.masonry‘).masonry({ //itemSelector: ‘.item‘ }); </script> <!-- 页面无限加载 --> <script> // 默认加载第2页 var pageIndex = 1; // 是否正在加载标记 var isLoading = 0; // 是否已提示没有更多内容 var isNotice = 0; // 是否还有更多 var hasNextPage = 1; // 页面滚动到底部,触发加装 $(window).scroll(function(){ var scrollTop = $(this).scrollTop(); var scrollHeight = $(document).height(); var windowHeight = $(this).height(); if(scrollTop + windowHeight == scrollHeight){ if(hasNextPage == 0 & isNotice == 0){ // 没有下一页内容时提示 isNotice = 1; $(‘#masonry‘).append(‘<div id="noticeInfomation" class="col-md-4 col-sm-6 col-xs-12 item "><div class="alert alert-warning"><strong>提示:</strong>没有更多内容了...</div></div>‘); $(‘#masonry‘).masonry(‘reloadItems‘); $(‘#masonry‘).masonry(‘layout‘); }else if(hasNextPage == 1 & isLoading == 0){ // 避免Ajax执行过程中反复被调用 isLoading = 1; $(‘#masonry‘).append(‘<div id="noticeInfomation" class="col-md-4 col-sm-6 col-xs-12 item "><div class="alert alert-warning"><strong>提示:</strong>正在加载更多内容...</div></div>‘); $(‘#masonry‘).masonry(‘reloadItems‘); $(‘#masonry‘).masonry(‘layout‘); setTimeout("loadJoke(pageIndex);", 1000); } } }); // Ajax方法 function loadJoke(arg){ //var host = ‘localhost‘; //var port = ‘8000‘; var labelCss = ‘label label-info‘; if(pageIndex%2 == 1){ labelCss = ‘label label-info‘; } else{ labelCss = ‘label label-success‘; } $.ajax({ url: "./index_ajax/", type: "POST", dataType: ‘json‘, data: {pageIndex: arg}, success: function (data) { $("#noticeInfomation").remove(); hasNextPage = data[‘hasNextPage‘]; jokes = JSON.parse(data[‘jokes‘]); for (var obj in jokes){ $(‘#masonry‘).append(‘<div class="col-md-4 col-sm-6 col-xs-12 item "><div class="well well-sm" style="line-height:180%;">‘+‘<span class="‘+labelCss+‘">‘+jokes[obj].pk+‘</span> ‘+jokes[obj].fields.jokeText+‘</div></div>‘); $(‘#masonry‘).masonry(‘reloadItems‘); $(‘#masonry‘).masonry(‘layout‘); } pageIndex = pageIndex + 1; isLoading = 0; } }); }; //Django的CSRF保护机制(ajax) $.ajaxSetup({ data: {csrfmiddlewaretoken: ‘{{ csrf_token }}‘ }, }); </script> </body> </html>
5、启动应用
访问应用:http://10.61.226.236/joke/
页面效果如下
6、补充说明
UI使用了bootstrap、jquery、masonry、ajax无限加载
=====结束=====
原文地址:https://www.cnblogs.com/sam11/p/8134698.html