python3--Scrapy框架,某信用中国返回json数据(spider源码)

企业级爬虫知识与Scrapy代码技巧
博客提供企业级爬虫知识查询链接,还展示了Scrapy的spider部分代码。同时介绍构造请求头的技巧,推荐通过特定博客将curl语法转化为Python的requests爬虫代码,可快速复制使用。
整理于2020年10月下旬,献给不甘平凡的你

更多企业级爬虫知识请查收于:https://blog.youkuaiyun.com/weixin_45316122/article/details/109840745

 

这里是scrapy 的spider部分代码

Trick:构造构造请求头(postman,网站调试器,apipost,当然我推荐的是博客——— https://blog.youkuaiyun.com/weixin_45316122/article/details/93724746   [python3爬虫工具,将curl语法转化为python的requests爬虫    ]直接转化为python格式复制过来就行,几秒解决)

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request
from utils import deal_date, transfrom, get_id
from ..items import Item
import json


class XkSdl10822Spider(scrapy.Spider):
    name = '****'
    url = 'http://222.76.243.118:8090'
    headers = {
        'Origin': 'http://222.76.243.118:8090',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36',
        #这里必须有,才会有下面的解析方式
        'Content-Type': 'application/json; charset=UTF-8',
        'Accept': 'application/json, text/javascript, */*; q=0.01',
        'Referer': '*********',
        'Connection': 'keep-alive',
    }
#构造起始start_requests
    def start_requests(self):
        #偷懒没写遍历去限制每次请求的数据,直接一下拿了,主要是为了后面增量考虑
        data = {
            'listSql': '',
            'linesPerPage': "6704",
            'currentPage': "1",
            'deptId': '',
            'searchKeyword': '',
            'tag': 'ALLOW'
        }
        yield scrapy.Request(url=self.url, body=json.dumps(data), method='POST', headers=self.headers,callback=self.parse_list)

    #把数据切割分成一页多少个
    # def parse_page(self, response):
    #     self.parse_list(response)
    #     if self.page == 1:
    #以下省略

    def parse_list(self, response):
        #返回json,转化python字典类型
        tr1 = json.loads(response.text)
        #把 tr1看成一个大字典,取键拿值
        if tr1.get("message") == "请求成功":
            data = tr1.get('data')#也可以写成 data = tr1.【'data'】下面类似
            list = data.get('list')
            #这里就是遍历每个json里面的数据了
            for i in list:

 

爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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