yield
1. 带有 yield 的函数不再是一个普通函数,而是一个生成器generator,可用于迭代
2. yield 是一个类似 return 的关键字,迭代一次遇到yield时就返回yield后面(右边)的值。重点是:下一次迭代时,从上一次迭代遇到的yield后面的代码(下一行)开始执行
3. 简要理解:yield就是 return 返回一个值,并且记住这个返回的位置,下次迭代就从这个位置后(下一行)开始
案例:
1.当当网 (1)yield(2)管道封装(3)多条管道下载 (4)多页数据下载[下节介绍]
创建项目
>scrapy startproject scrapy_dangdang
创建爬虫文件
scrapy_dangdang\scrapy_dangdang\scrapy> **scrapy genspider dang http://category.dangdang.com/cp01.01.02.00.00.00.html**
测试运行,爬虫文件
scrapy_dangdang\scrapy_dangdang\scrapy> scrapy crawl dang
items.py定义数据结构
获取数据
找到书图片的src
找到书名称的alt
找到书价格的span
获取selector对象列表的data属性值
发现src相同,解决懒加载情况
网页向下滑动
使用图片的data-original值
解决第一张图的src使用none空
第一张图的img只有src属性
第二张图及之后图的img有data-original属性
导入
yield返回值到pipelines管道
settings中开启管道
pipelines管道的封装
追加写入数据
爬虫文件执行之,前执行
爬虫文件执行之,后执行
解决操作文件过于频繁
book.json
多条管道的下载
开启图片下载管道
运行
项目结构,及代码
dang.py爬虫核心功能
import scrapy
from scrapy_dangdang.items import ScrapyDangdang095Item
class DangSpider(scrapy.Spider):
# 如果是多页下载的话 那么必须要调整的是allowed\_domains的范围 一般情况下只写域名
allowed\_domains = \['http://category.dangdang.com/cp01.01.02.00.00.00.html'\]
start\_urls = \['http://category.dangdang.com/cp01.01.02.00.00.00.html'\]
def parse(self, response):
li\_list = response.xpath('//ul\[@id="component\_59"\]/li')
for li in li\_list:
src = li.xpath('.//img/@data-original').extract\_first()
# 第一张图片和其他的图片的标签的属性是不一样的
# 第一张图片的src是可以使用的 其他的图片的地址是data-original
if src:
src = src
else:
src = li.xpath('.//img/@src').extract\_first()
name = li.xpath('.//img/@alt').extract\_first()
price = li.xpath('.//p\[@class="price"\]/span\[1\]/text()').extract\_first()
book = ScrapyDangdang095Item(src=src,name=name,price=price)
# 获取一个book就将book交给pipelines
yield book
items.py定义数据结构,类
# Define here the models for your scraped items
import scrapy
class ScrapyDangdang095Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 通俗的说就是你要下载的数据都有什么
# 图片
src = scrapy.Field()
# 名字
name = scrapy.Field()
# 价格
price = scrapy.Field()
pipelines.py管道功能
# Define your item pipelines here
from itemadapter import ItemAdapter
class ScrapyDangdang095Pipeline:
# 在爬虫文件开始的之前就执行的一个方法
def open_spider(self,spider):
self.fp = open('book.json','w',encoding='utf-8')
# item就是yield后面的book对象
def process\_item(self, item, spider):
# 以下这种模式不推荐 因为每传递过来一个对象 那么就打开一次文件 对文件的操作过于频繁
# # (1) write方法必须要写一个字符串 而不能是其他的对象
# # (2) w模式 会每一个对象都打开一次文件 覆盖之前的内容
# with open('book.json','a',encoding='utf-8')as fp:
# fp.write(str(item))
self.fp.write(str(item))
return item
# 在爬虫文件执行完之后 执行的方法
def close\_spider(self,spider):
self.fp.close()
import urllib.request
class DangDangDownloadPipeline:
def process_item(self, item, spider):
url = 'http:' + item.get('src')
filename = './books/' + item.get('name') + '.jpg'
urllib.request.urlretrieve(url = url, filename= filename)
return item
settings.py配置管道
# Scrapy settings for scrapy_dangdang_095 project
BOT_NAME = 'scrapy_dangdang'
SPIDER_MODULES = ['scrapy_dangdang.spiders']
NEWSPIDER_MODULE = 'scrapy_dangdang.spiders'
#USER_AGENT = 'scrapy_dangdang_095 (+http://www.yourdomain.com)'
ROBOTSTXT_OBEY = True
#CONCURRENT_REQUESTS = 32
#DOWNLOAD_DELAY = 3
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
#COOKIES_ENABLED = False
#TELNETCONSOLE_ENABLED = False
#DEFAULT_REQUEST_HEADERS = {
#}
#SPIDER_MIDDLEWARES = {
#}
#DOWNLOADER_MIDDLEWARES = {
#}
#EXTENSIONS = {
#}
**ITEM_PIPELINES = {
# 管道可以有很多个 那么管道是有优先级的 优先级的范围是1到1000 值越小优先级越高
'scrapy_dangdang.pipelines.ScrapyDangdang095Pipeline': 300,
'scrapy_dangdang.pipelines.DangDangDownloadPipeline':301
}** # Enable and configure the AutoThrottle extension (disabled by default)
#AUTOTHROTTLE_ENABLED = True
#AUTOTHROTTLE_START_DELAY = 5
#AUTOTHROTTLE_MAX_DELAY = 60
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
#AUTOTHROTTLE_DEBUG = False
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
手机扫一扫
移动阅读更方便
你可能感兴趣的文章