PythonScrapy爬虫：同步和异步分页的DEMO

来源：宝玛科技网

分页交互在请求数据时有同步和异步两种情况，同步时页面整体刷新，异步时页面局部刷新。对于这两种分页的数据在进行爬虫时，处理的方式是不一样的。 DEMO仅供学习，域名全部匿为test

同步分页

同步分页时，页面整体刷新，url地址栏会发生变化

爬虫解析的数据对象是html

测试场景：抓取某招聘网站北京区的Java职位

#coding=utf-8import scrapyclass TestSpider(scrapy.Spider):
 name='test'
 download_delay=3
 user_agent='Mozilla/5.0 (Windows NT 6.1; WOW) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
 page_url = 'http://www.test.com/zhaopin/Java/{0}/?filterOption=2'
 page=1

 #执行入口
 def start_requests(self):
 #第一页
 yield scrapy.Request(self.page_url.format('1'),
 headers={'User-Agent':self.user_agent},
 callback=self.parse,
 errback=self.errback_httpbin) #解析返回的数据
 def parse(self,response):
 for li in response.xpath('//*[@id="s_position_list"]/ul/li'): yield{ 'company':li.xpath('@data-company').extract(), 'salary':li.xpath('@data-salary').extract()
 } #是否是最后一页，根据下一页的按钮css样式判断
 if response.css('a.page_no.pager_next_disabled'):
 print('---is the last page,stop!---') 
 pass
 else:
 self.page=self.page+1
 #抓取下一页
 yield scrapy.Request(self.page_url.format(str(self.page)),
 headers={'User-Agent':self.user_agent},
 callback=self.parse,
 errback=self.errback_httpbin) #异常处理
 def errback_httpbin(self,failure):
 if failure.check(HttpError):
 response = failure.value.response print 'HttpError on {0}'.format(response.url) elif failure.check(DNSLookupError):
 request = failure.request print'DNSLookupError on {0}'.format(request.url) elif failure.check(TimeoutError, TCPTimedOutError):
 request = failure.request print'TimeoutError on {0}'.format(request.url)

启动爬虫：scrapy runspider //spiders//test_spider.py -o test.csv 完毕后生成csv格式的文件：

异步分页

异步分页时，页面局部刷新，url地址栏不发生变化

爬虫解析的数据对象通常是Json

测试场景：抓取某电影网站的经典电影前100

#coding=utf-8import scrapyimport jsonclass TestSpider(scrapy.Spider):
 name ='test'
 download_delay = 3
 user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
 pre_url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%BB%8F%E5%85%B8&sort=recommend&page_limit=20&page_start='
 page=0
 cnt=0
 def start_requests(self):
 url= self.pre_url+str(0*20) yield scrapy.Request(url,headers={'User-Agent':self.user_agent},callback=self.parse) def parse(self,response):
 if response.body: # json字符串转换成Python对象
 python_obj=json.loads(response.body)
 subjects=python_obj['subjects'] if len(subjects)>0: for sub in subjects:
 self.cnt=self.cnt+1
 yield { 'title':sub["title"], 'rate':sub["rate"]
 } if self.cnt<100: print 'next page-------'
 self.page=self.page+1
 url= self.pre_url+str(self.page*20) yield scrapy.Request(url,headers={'User-Agent':self.user_agent},callback=self.parse)

启动爬虫：scrapy runspider //spiders//test_spider.py -o test.json 完毕后生成json格式的文件：

Scrapy与BeautifulSoup or lxml的区别

scrapy是编写爬虫和抓取数据的一整套框架，而BeautifulSoup or lxml只是解析html/xml的库，功能就像scrapy的xpath和css选择器，所以它们也可以在scrapy下使用，只是运行效率相对较低。在使用scrapy的选择器时，我们可以借助浏览器的F12模式，直接Copy任意节点的xpath和css值。

显示全文

全部频道

PythonScrapy爬虫：同步和异步分页的DEMO