- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个项目需要完成大量数据抓取。
我一直在研究 Scrapy,到目前为止我对它印象深刻,但我正在寻找执行以下操作的最佳方法:
1) 我想抓取多个 URL 并为每个要抓取的 URL 传递相同的变量,例如,假设我想从 Bing、Google 和 Yahoo 返回关键字“python”的最高结果。
我想抓取 http://www.google.co.uk/q=python
, http://www.yahoo.com?q=python
和 http://www.bing.com/?q=python
(不是实际的 URL,但您明白了)
我找不到使用关键字指定动态 URL 的方法,我能想到的唯一选择是在 PHP 或其他构建 URL 的文件中生成一个文件,并指定 scrapy 来抓取 URL 中的链接。
2) 显然每个搜索引擎都有自己的标记,所以我需要区分每个结果以找到相应的 XPath 以从中提取相关数据
3) 最后,我想将抓取的 Item 的结果写入数据库(可能是 redis),但只有当所有 3 个 URL 都完成抓取时,基本上我想从 3 个建立一个“配置文件”搜索引擎并将输出结果保存在一次交易中。
如果有人对这些问题有任何想法,我将不胜感激。
谢谢
最佳答案
1) 在BaseSpider中,有一个__init__
方法可以在子类中被重写。这是设置 start_urls 和 allowed_domains 变量声明的地方。如果您在运行爬虫之前心里有一个 url 列表,那么您可以在此处动态插入它们。
例如,在我构建的一些蜘蛛中,我从 MongoDB 中提取预格式化的 URL 组,并一次性将它们插入到 start_urls 列表中。
2)这可能有点棘手,但您可以通过查看响应对象 (response.url
) 轻松查看已抓取的 URL。您应该能够检查 url 是否包含“google”、“bing”或“yahoo”,然后为该类型的 url 使用预先指定的选择器。
3) 我不太确定#3 是否可行,或者至少不是没有困难。据我所知,start_urls 列表中的 url 并不是按顺序抓取的,它们各自独立地到达管道。我不确定如果没有一些严肃的核心黑客攻击,您是否能够收集一组响应对象并将它们一起传递到管道中。
但是,您可能会考虑暂时将数据序列化到磁盘,然后将数据批量保存到您的数据库中。我构建的其中一个爬虫接收了大约 10000 个 URL 组。我没有进行 10000 次单项数据库插入,而是将 URL(和收集的数据)存储在 BSON 中,然后再将其插入 MongoDB。
关于python - 抓取多个 URL 的 Scrapy 方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12160673/
如本answer所述,如果浏览器不支持 e,可以设置后备游标。 G。 光标:抓取;。我现在的问题是获取这些图像。在我的驱动器上本地搜索“.cur”只给了我系统光标,其中 grab.cur 和 grab
以下代码在计算机上运行以从 Instagram 帐户中抓取数据。当我尝试在 VPS 服务器上使用它时,我被重定向到 Instagram 登录页面,因此脚本不起作用。 为什么当我在电脑上或服务器上时,I
我在使用 Ruby 和 Mechanize 将 POST 查询传递到站点的网站上。访问站点的查询基于 firebug,如下所示 param.PrdNo=-1¶m.Type=Prop¶m
我正在尝试抓取一个具有多个页面结果的网站,例如“1、2、3、4、5...”。 每个分页号都是到另一个页面的链接,我需要抓取每个页面。 到目前为止,我想出了这个: while lien = page.l
我正在使用 HtmlAgilityPack 在 C# Asp.Net 中执行 Scraping,到目前为止,我在从多个 Web 执行 Scratch 时没有遇到问题,但是,尝试弹出以下代码时出现错误
如果我有一个 css 文件做这样的事情 #foo:after{content:"bar;} ,有没有办法用 javascript 获取 :after 的内容?获取父元素的内容只返回 #foo 元素的内
问题是这样的: 我有一个 Web 应用程序 - 一个经常更改的通知系统 - 在一系列本地计算机上运行。该应用程序每隔几秒刷新一次以显示新信息。计算机仅显示信息,没有键盘或任何输入设备。 问题是,如果与
我想制作一个程序来模拟用户浏览网站和点击链接。必须启用 Cookie 和 javascript。我已经在 python 中成功地做到了这一点,但我想把它写成一种可编译的语言(python ide 不会
我制作了这个小机器人,它通过搜索参数列表进行处理。它工作正常,直到页面上有几个结果: product_prices_euros 给出了一半为空的项目列表。因此,当我与 product_prices_c
我需要找到一个单词的匹配项,例如: 在网上找到所有单词“学习”https://www.georgetown.edu/(结果:4个字)(您可以看到它按CTRL + F并搜索) 我有我的 Python 代
有一个站点\资源提供一些一般统计信息以及搜索工具的界面。这种搜索操作成本高昂,因此我想限制频繁且连续(即自动)的搜索请求(来自人,而不是来自搜索引擎)。 我相信有很多现有的技术和框架可以执行一些情报抓
这并不是真正的抓取,我只是想在网页中找到类具有特定值的 URL。例如: 我想获取 href 值。关于如何做到这一点的任何想法?也许正则表达式?你能发布一些示例代码吗?我猜 html 抓取库,比如 B
我正在使用 scrapy。 我正在使用的网站具有无限滚动功能。 该网站有很多帖子,但我只抓取了 13 个。 如何抓取剩余的帖子? 这是我的代码: class exampleSpider(scrapy.
我正在尝试从这个 website 中抓取图像和新闻 url .我定义的标签是 root_tag=["div", {"class":"ngp_col ngp_col-bottom-gutter-2 ng
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭上个月。 Improve this ques
我在几个文件夹中有数千个 html 文件,我想从评论中提取数据并将其放入 csv 文件中。这将允许我为项目格式化和清理它。例如,我在这个文件夹中有 640 个 html 文件: D:\My Web S
我在编写用于抓取网页的实用程序时遇到了一个问题。 我正在发送 POST 请求来检索数据,我模仿我正在抓取的网络行为(根据使用 fiddler 收集的信息)。 我已经能够自动替换我的 POST 中除 V
对于 Googlebot 的 AJAX 抓取,我在我的网站中使用“_escaped_fragment_”参数。 现在我查看了 Yandex 对我网站的搜索结果。 我看到搜索结果中不存在 AJAX 响应
我正在尝试抓取网站的所有结果页面,它可以工作,但有时脚本会停止并显示此错误: 502 => Net::HTTPBadGateway for https://website.com/id/12/ --
我是一个学习网络爬虫的初学者,由于某种原因我无法爬网this地点。当我在 Chrome 中检查它时,代码看起来不错,但是当我用 BeautifulSoup 阅读它时,它不再是可刮的。汤提到“谷歌分析”
我是一名优秀的程序员,十分优秀!