Python项目实践--当当和豆瓣图书爬虫


图书访问接口:

接口地址:

http://api.xiaomafeixiang.com/api/bookinfo?isbn=9787544270878

把isbn替换为实际需要查询图书的isbn编号即可。

一、爬虫架构Scrapy

选用的爬虫框架是Scrapy,具体学习文档可参考:

官方文档:https://scrapy.org/

二、Scrapy爬取动态内容

网页解析部分,如果是静态网页可以直接对返回的数据进行解析。

针对动态网页,最终选用的方案是Selenium Chrome方案。分析过程见以下文档:

Scrapy爬取动态内容(一)Splash方案

Scrapy爬取动态内容(二)Selenium Chrome方案

Scrapy爬取动态内容(三)Selenium Firefox方案

Scrapy爬取动态内容(四)Selenium-Server方案

三、环境部署

Python项目实践--环境准备03 Scrapy + Selenium Chrome工作环境

四、工程结构简介

1、spiders部分

 

 这里主要分为三部分内容:

(1) 抓取各大免费代理,从实际效果来看,可用的合法代理还是比较少的。

(2) 当当图书抓取。

(3) 豆瓣图书抓取。

2、中间件

 

 中间件部分针对抓取图书和抓取代理、使用免费代理和付费代理做了区分。

3、管道和数据模型

4、selenium部分

五、代码讲解

 

(持续整理中)


免责声明!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系本站邮箱yoyou2525@163.com删除。



 
粤ICP备18138465号  © 2018-2025 CODEPRJ.COM