大部分的网站展示的数据都进行了分页操作,那么将所有页码对应的页面数据进行爬取就是爬虫中的全站数据爬取。
基于scrapy如何进行全站数据的爬取?
使用request方法,给callback传参(函数), 函数解析请求回来的数据,实现全站数据爬取
爬虫文件
import scrapy
from learn_scrapy.items import LearnScrapyItem
class AllqiushiSpider(scrapy.Spider):
name = 'allqiushi'
# allowed_domains = ['www.xxx.com']
start_urls = ['https://www.qiushibaike.com/']
# 爬取多页
page_num = 1
# 每页的url
url = 'https://www.qiushibaike.com/8hr/page/%s/'
def parse(self, response):
li_list = response.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
for li in li_list:
title = li.xpath('./div/a/text()')[0].extract()
author = li.xpath('./div/div/a/span/text()')[0].extract()
item = LearnScrapyItem()
item['title'] = title
item['author'] = author
yield item # 提交item到管道进行持久化
# 递归结束条件
# 爬取所有页码数据
if self.page_num <= 13:
self.page_num += 1
url = format(self.url % self.page_num)
print(str(self.page_num) + '页')
#递归爬取数据:callback参数的值为回调函数(将url请求后,得到的相应数据继续进行parse解析),递归调用parse函数
yield scrapy.Request(url=url, callback=self.parse)
标签:全站,li,爬取,item,scrapy,div 来源: https://www.cnblogs.com/bibicode/p/13385447.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。