北京装修公司招聘工长,排名seo公司哪家好,wordpress 红色模版,星巴克已有的网络营销方式声明#xff1a;该爬虫只可用于提高自己学习、工作效率#xff0c;请勿用于非法用途#xff0c;否则后果自负
功能概述#xff1a;
根据待爬文章url(文章id)批量保存文章到本地#xff1b;支持将文中图片下载到本地指定文件夹#xff1b;多线程爬取#xff1b;
1.爬取…声明该爬虫只可用于提高自己学习、工作效率请勿用于非法用途否则后果自负
功能概述
根据待爬文章url(文章id)批量保存文章到本地支持将文中图片下载到本地指定文件夹多线程爬取
1.爬取效果展示
本次示例爬取的链接地址 https://blog.csdn.net/m0_68111267/article/details/132574687
原文效果 爬取效果
文件列表 2.编写代码
爬虫使用scrapy框架编写分布式、多线程
2.1编写Items
class ArticleItem(scrapy.Item):id scrapy.Field() # IDtitle scrapy.Field()html scrapy.Field() # htmlclass ImgDownloadItem(scrapy.Item):img_src scrapy.Field()img_name scrapy.Field()image_urls scrapy.Field()class LinkIdsItem(scrapy.Item):id scrapy.Field()
2.2添加管道
class ArticlePipeline():def open_spider(self, spider):if spider.name csdnSpider:data_dir os.path.join(settings.DATA_URI)#判断文件夹存放的位置是否存在不存在则新建文件夹if not os.path.exists(data_dir):os.makedirs(data_dir)self.data_dir data_dirdef close_spider(self, spider): # 在关闭一个spider的时候自动运行pass# if spider.name csdnSpider:# self.file.close()def process_item(self, item, spider):try:if spider.name csdnSpider and item[key] article:info item[info]id info[id]title info[title]html info[html]f open(self.data_dir /{}.html.format(title),w,encodingutf-8)f.write(html)f.close()except BaseException as e:print(Article错误在这里, e, 错误在这里)return item
2.3添加配置 2.4添加解析器
...def parse(self, response):html response.bodya_id response.meta[a_id]soup BeautifulSoup(html, html.parser)[element.extract() for element in soup(script)][element.extract() for element in soup.select(head style)][element.extract() for element in soup.select(html link)]# 删除style中包含隐藏的标签[element.extract() for element in soup.find_all(stylere.compile(r.*display:none.*?))]...3.获取完整源码
项目说明文档
爱学习的小伙伴本次案例的完整源码已上传微信公众号“一个努力奔跑的snail”后台回复“csdn”即可获取。
源码地址:
https://pan.baidu.com/s/1uLBoygwQGTSCAjlwm13mog?pwd****
提取码: ****
