scrapy 爬取百度相关搜索

简介

scrapy做简单的大量数据的爬虫太方便了,一般就三个文件 setting.py,item.py ,xxx_spider.py,代码量很少。存json的时候最高爬取过600多MB的文本。去年存入postgresql的时候最多的一次大概一次性爬取了1000多万的关键词(key,[related1,related2],key,related对调的时候靠用redis放内存中分批计算才成功,把老化的机械硬盘换成固态硬盘之后,就不用redis了)。

代码部分

spider 代码,从本地muci.txt中获取关键词,setting控制爬取深度(DEEP_LIMIT = 1就是只爬取当前关键词的相关搜索词)
# -*- coding:utf8 -*-

from scrapy.spiders import CrawlSpider
from scrapy import Request

from mbaidu.items import baiduItemtj
import os
from scrapy.conf import settings

settings.overrides['RESULT_JSONFILE'] = 'mbaidutj.json'

class MbaiduSpider(CrawlSpider):

    name = 'mbaidu_xg'
    allowed_domains = ['m.baidu.com']
    def start_requests(self):
        mucifile = open(os.path.join(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))), "muci.txt"), 'r')
        for key in mucifile.readlines():
            nextword = key.strip("\n").strip()
            if nextword != "":
                yield Request('https://m.baidu.com/s?word=' + nextword, self.parse)

    def parse(self, response):
        related = response.css('#reword .rw-list a::text').extract()
        if related:
            for rw in related:
                item = baiduItemtj()
                item['keyword'],item['description'] = [rw,'']
                yield item
        rwlink = response.css('#reword .rw-list a::attr(href)').extract()
        if rwlink:
            for link in rwlink:
                yield Request(link,self.parse)
        tj = response.css('.wa-sigma-celebrity-rela-entity.c-scroll-element-gap a')
        if tj:
            for i in tj:
                item = baiduItemtj()
                item['keyword'],item['description'] = i.css('p::text').extract()
                yield item
            tjlink = response.css('.wa-sigma-celebrity-rela-entity.c-scroll-element-gap a::attr(href)').extract()
            if tjlink:
                for link in tjlink:
                    yield Request(link,self.parse)
处理json编码的代码 piplines.py中,本地存储python乱码是使用(加入setting.py中),估计是python2的锅,python3不一定要
class JsonWriterPipeline(object):
    def __init__(self):
        self.file = codecs.open(settings.get('RESULT_JSONFILE','default.json'), 'w', encoding='utf-8')

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line.decode('unicode_escape'))
        # item = {"haha": "hehe"}
        # return {"log": "可以不需要return数据了,返回的数据会再次转成Unicode,交给系统自带的输出"}
        # return item
item.py
class baiduItemtj(scrapy.Item):
    # 右侧推荐有description 底部相关搜索没有 为空
    keyword = scrapy.Field()
    description = scrapy.Field()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 159,569评论 4 363
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,499评论 1 294
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,271评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,087评论 0 209
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,474评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,670评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,911评论 2 313
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,636评论 0 202
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,397评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,607评论 2 246
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,093评论 1 261
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,418评论 2 254
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,074评论 3 237
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,092评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,865评论 0 196
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,726评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,627评论 2 270

推荐阅读更多精彩内容