记忆碎片之python爬虫scrapy框架settings.py参数

基于scrapy框架下爬取智联招聘--并把信息存储下来 1.在之前爬取的JobSpider中的Terminal终端中,直接创建新的文件scrapy genspider zlzp baidu.com2.开始解析数据1) 先大致规划一下需要几个函数2) 函数1跳转到函数2使用 yield scrapy.Request(url,callback,meta,dont_filter)# -*- coding: utf-8 -*- import scrapy fr... 阅读详情
# -*- coding: utf-8 -*-

# Scrapy settings for morekeywords project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
import os
import sys

sys.path.append(os.path.dirname(os.path.abspath(".")))  # 获取到路径  这个正确
# print(os.path.dirname(os.path.abspath(".")))    D:\django\dataAnalysis\morekeywords
# print(os.path.dirname(os.path.abspath(__file__)))     D:\django\dataAnalysis\morekeywords\morekeywords    这个错误No module named 'dataAnalysis'
# sys.path.append(r"D:\django\dataAnalysis\dataAnalysis")      # 获取到路径
os.environ["DJANGO_SETTINGS_MODULE"] = "dataAnalysis.settings"
import django

django.setup()  # 初始化Django 和Django交互的第一步,需要爬虫部署之后才能启动
# 配置完成之后当前无法启动爬虫ModuleNotFoundError: No module named 'dataAnalysis'
# ---------------------------------------------------------------------

BOT_NAME = 'morekeywords'

SPIDER_MODULES = ['morekeywords.spiders']
NEWSPIDER_MODULE = 'morekeywords.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT = 'morekeywords (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32  # 设置并发数量 Scrapy下载程序执行的并发(即同时)请求的最大数量。

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs

# 下载器在从同一网站下载连续页面之前应等待的时间(以秒为单位)。
# 这可以用于限制爬行速度,以避免连续向服务器发起请求。支持小数
DOWNLOAD_DELAY = 3  # 设置延迟下载间隔,单位:秒

# The download delay setting will honor only one of:
# CONCURRENT_REQUESTS_PER_DOMAIN = 16
# CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
# 部分网站会通过用户的Cookie信息对用户进行识别与分析,
# 所以要防止目标网站使用Cookie识别我们的会话信息。
COOKIES_ENABLED = False  # 禁用cookies
FEED_EXPORT_ENCODING = "utf-8"  # 官网说这可以指定编码
# Disable Telnet Console (enabled by default)
# TELNETCONSOLE_ENABLED = False
# Telnet用于查看当前爬虫的信息,操作爬虫等...
# 使用telnet ip port ,然后通过命令操作
# TELNETCONSOLE_ENABLED = True
# TELNETCONSOLE_HOST = '127.0.0.1'
# TELNETCONSOLE_PORT = [6023,]

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
    'Connection': 'keep-alive',
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Origin': 'https://www.amazon.com',
    'Sec-Fetch-Site': 'same-site',
    'Sec-Fetch-Mode': 'cors',
    'Referer': 'https://www.amazon.com/ref=nav_logo?language=en_US',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
}
RANDOM_UA_TYPE = "chrome"  # 使用谷歌的浏览器ua头
# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# SPIDER_MIDDLEWARES = {
#    'morekeywords.middlewares.MorekeywordsSpiderMiddleware': 543,
# }

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    # 'morekeywords.middlewares.MorekeywordsDownloaderMiddleware': 543,
    'morekeywords.middlewares.RandomUserAgentMiddlware': 542,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,  # 需要将原始的设置为none
}

# 自定义扩展,基于信号进行调用
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
# EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
# }

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    # 'morekeywords.pipelines.MorekeywordsPipeline': 300,
    'morekeywords.pipelines.MysqlPipeline': 301,
}

# 访问URL去重
# DUPEFILTER_CLASS = 'morekeywords.duplication.RepeatUrl'

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
# AUTOTHROTTLE_ENABLED = True   # 开始自动限速
# The initial download delay
# AUTOTHROTTLE_START_DELAY = 5      # 初始下载延迟
# The maximum download delay to be set in case of high latencies
# AUTOTHROTTLE_MAX_DELAY = 60       # 最大下载延迟
# The average number of requests Scrapy should be sending in parallel to
# each remote server
# AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0     # 平均每秒并发数
# Enable showing throttling stats for every response received:
# AUTOTHROTTLE_DEBUG = False


"""
启用缓存
    目的用于将已经发送的请求或相应缓存下来,以便以后使用

    from scrapy.downloadermiddlewares.httpcache import HttpCacheMiddleware
    from scrapy.extensions.httpcache import DummyPolicy
    from scrapy.extensions.httpcache import FilesystemCacheStorage
"""

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
# HTTPCACHE_ENABLED = True      # 是否启用缓存策略
# HTTPCACHE_EXPIRATION_SECS = 0    # 缓存超时时间
# HTTPCACHE_DIR = 'httpcache'       # 缓存保存路径
# HTTPCACHE_IGNORE_HTTP_CODES = []      # 缓存忽略的Http状态码
# HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'      # 缓存存储的插件

运用scrapy爬取智联网 学习目标: 运用scrapy框架 将爬取的数据保存到数据库 学习内容: 1、掌握 python基本语法 2、运用pychrame开发环境 3、 获取数据 4、保存到数据库 学习时间: 1、 周一至周五晚上 7 点—晚上9点 2、 周六上午 9 点-上午 11 点 3、 周日下午 3 点-下午 6 点 学习产出: 大家好丫!我是honey,我今天想要和大家分享一下我大二实训是所搞的项目。嘿嘿就是爬取网站的数据。我想分享一下我的代码。 大家应该都知道scrapy框架吧,这个框架用来爬虫真的 阅读详情

相关推荐

python 爬虫学习:抓取智联招聘网站职位信息(二)

在第一篇文章(python 爬虫学习:抓取智联招聘网站职位信息(一))中,我们介绍了爬取智联招聘网站上基于岗位关键字,及地区进行搜索的岗位信息,并对爬取到的岗位工资数据进行统计并生成直方图展示;同时进入每个职位明细页面提取出职位要求部分的页面内容,经数据清洗后将职位要求部分写入txt文件(FILEPATH+FILENAME + ‘-requirements.TXT’);接下来我们要对该txt文件中...

pxy1993的博客 2292

python爬虫实例——爬取智联招聘信息

受友人所托,写了一个爬取智联招聘信息的爬虫,与大家分享。 本文将介绍如何实现该爬虫。

u010187278的博客 3万+

选定关键词爬取智联招聘职位概览信息

爬虫主体文件 zhaopin.py import requests import json import time import random from getProduce.conn_sqlite import * # 这个地方需要自己修改 def get_overview(): kw = ['python', 'python开发', 'python工程师', 'python开...

JDMXI的博客 902

记忆碎片之python爬虫scrapy-redis分布式架构

""" 分布式原理:统一的可访问可共享的requests队列 分布式架构:主机Master用来维护爬取队列(redis),从机slave1,slave2...负责数据抓取、处理、存储 队列维护 :Redis队列 # 非关系型数据库,Key-Value形式存储,结构灵活 # 内存中的数据结构存储系统,处理速度快,性能好 # 提供队列、集合等多种存储结构,方便队列维护 去重:...

Python_DJ的博客 342

scrapy爬取智联,只用于学习,不能商用

# -*- coding: utf-8 -*- import scrapy import json from ..items import ZhiLianItem class SpiderZhelianSpider(scrapy.Spider): name = 'spider_zhelian' # allowed_domains = ['aaa'] start = 0 ...

阅读之后,对你有帮助,那就点个赞再走吧 577

python爬虫scrapy框架,对于智联招聘职位进行抓取

python爬虫scrapy框架,对于智联招聘职位进行抓取 python爬虫scrapy框架,对于智联招聘职位进行抓取

scrapy使用之爬取智联招聘

智联招聘是通过动态加载文件获取数据,所以一开始解析的url不是网页的地址,而是json 文件,寻找json文件的方法。通过查看各个工作具体的网址得知规律;https://job.zhaopin.com/XXXXX.htm, 其中XXXX就是json文件中number对应的值。 步骤: 解析json文件,得到所有number对应的值 通过拼接得到新的网址 进入网址,得到自己想要的内容进入网址,得到...

Li_peipei的博客 2939

scrapy的智联招聘爬虫

用scrapy写的智联爬虫!!

Scrapy爬虫更改请求头

在很多时候,我们在写爬虫的时候需要去修改爬虫的请求头,那么话不多说,下面代码开始 在middlewares.py文件中创建请求头的列表,使用random函数来随机调用使用哪个请求头: middlewares.py class UserAgentDownloadMiddleware(object): ''' 下载器中间件 在发送下载之前要设置请求头 ''' ...

python菜菜~博客 1168

Axure RP9汉化+授权全攻略:从下载到激活一步到位(附最新授权码)

本文提供Axure RP9从下载安装到界面汉化的完整指南,帮助设计师和产品经理快速上手这款原型设计工具。详细讲解了如何安全获取软件、执行汉化操作、理解核心界面布局,并介绍了创建交互原型和生成HTML文件的基础步骤,助力用户高效开展设计工作。

cuda7parallel的博客 1135

强化学习 | Multi Agents | Trust Region | HATRPO | HAPPO

ICLR2022多智能体论文,将trust region推广到MA上,保证单调递增。学习博客,共7k字,纯手敲。含大量手写笔记。

111辄的博客 1万+

scrapy爬取智联招聘

我想分析下互联网行业全国招聘实习生的情况,通过爬取智联招聘,得到15467条数据,并导入Mysql在items.py里:import scrapy from scrapy.http import Request from lxml import etree from zhaopinzhilian.items import ZhaopinzhilianItem class RecuritSpid...

pcy1127918的博客 2029

unity打包流程整理-Windows/Mac/Linux平台

1.Platform(平台)功能: 选择目标构建的目标平台选项PC, Mac & Linux Standalone: 适用于 Windows、Mac 和 Linux 平台2.Target Platform(目标平台)功能: 选择具体的操作系统版本选项Windows: 针对 Windows 操作系统Mac: 针对 macOS 操作系统Linux: 针对 Linux 操作系统3.Architecture(架构)功能: 选择应用程序的目标处理器架构选项x86: 针对 32 位系统。

weixin_42333247的博客 5135

scrapy同时爬取51job和智联招聘

scrapy同时运行2个及以上爬虫方法每个爬虫创建对应的运行文件,然后运行每个文件。每个爬虫的数据模型要相同。run1.py# -*- coding:utf-8 -*-from scrapy import cmdline#ccmdline.execute(['scrapy, crawl, 爬虫1'])cmdline.execute('scrapy crawl 爬虫1'.split(' '))run...

danhuazhou的博客 1765

从安装Eclipse 开始 开发第一个 CDS View

一篇超级简单快速的 创建CDS VIEW 入门步骤介绍文章。

IT小职员 4248

SystemC实战:用C++搞芯片建模的5个典型场景(含代码示例)

本文通过五个典型实战场景,详细介绍了如何使用SystemC这一基于C++的硬件建模库进行芯片设计与系统级建模。内容涵盖从基础并发模块构建、事务级总线建模、跨时钟域验证,到与ModelSim协同仿真及多核系统性能探索,并提供了完整的代码示例,帮助软件工程师利用熟悉的C++工具链高效参与硬件架构设计与验证。

weixin_29191761的博客 314

最新的智联招聘反爬

最新的智联招聘已经无人能爬了吗?求高手解决!!1 欢迎使用Markdown编辑器 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它...

weixin_38401182的博客 2301

【教培管家】小程序实战(五):体验课预约——从流量到转化的闭环

本节我们通过变量状态管理和数据联动,实现了孩子选择和日期选定。下一篇我们继续讲解预约页面,根据选择的日期来筛选排课,供用户进行预约。

低代码布道师的博客 1562

scrapy爬取kw

scrapy爬取kw # -*- coding: utf-8 -*- import scrapy import json from kwmusic.getheaders import KwHeaders class KuwoSpider(scrapy.Spider): name = 'kuwo' allowed_domains = ['kuwo.cn'] # pn代表页...

m0_46652894的博客 287

YOLOv9改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计

实时检测器架构的轻量级设计GsConv。

Limiiiing的博客 1364

【Python爬虫系列】_005.浏览器开发者工具(详解)

Elements(元素)分析当前页面节点,用来辅助书写BS或者XPath这里面的数据与源代码有区别,不一定准确(避坑)Console(控制台)这个除了查看错误信息、打印调试信息(console.log())、写一些测试脚本以外,还可以当作Javascript API查看用例如我想查看console都有哪些方法和属性,我可以直接在Console中输入"console"并执行后续学js逆向的时候需要用到Sources(源代码)与在网页页面,鼠标右键——查看网页源代码 内容一致。

weixin_50296259的博客 422

《封号码罗》python爬虫之企某科技网站js逆向(十四)

首先查看ajax加载,可以发现,其所有的数据都是加密方式到前端页面,由前端页面js解密之后再渲染到网页中 根据其关键字 encrypt_data进行全局搜索,寻找js的解密代码 这个地方就是解密代码,但是这里仅仅是调用,所以要进到代码里面去查看 看到这里已经发现t已经是ajax请求过来的数据了,然后是json被返回,所以重点分析这个区域的代码,可以看到,只有a.a.decode(t)调用了t,所以这个地方需要生成两个函数,一个是s,另一个是其包含的这个函数,其他都是固定的字符串,扣下来js直接调用就行

Python_DJ的博客 2万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

关于javaScript逆向hook里面的cookie以及其他常用hook汇总

个人理解:hook某个元素,实际上就是定位某个元素,例如cookie里面有个abc为名字,123为值,我们要查找设置cookie={abc:123}的位置,首先就要知道,cookie的设置是set方法,再例如发送一个ajax请求,就需要明确的知道,发送ajax需要有一个XMLHttpRequest对象,这个对象会用到open方法,在open方法中使用了url,要hook到url,实际上就是对open方法的重写,同理,hook到cookie时,也是对设置cookie的set方法进行重写...

Python_DJ的博客 8209

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

上一篇: 记忆碎片之python爬虫scrapy-redis分布式架构
下一篇: 记忆碎片之python爬虫APP数据爬取(一)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值