数据采集与融合技术——实验三

2023-11-29 22:15:16

作业①

要求：指定一个网站，爬取这个网站中的所有的所有图片，例如中国气象网（http://www.weather.com.cn）。分别使用单线程和多线程的方式爬取。(限定爬取图片数量为学号后3位)
输出信息:将下载的Url信息在控制台输出，并将下载的图片存储在images子文件夹中，并给出截图。

实现过程

单线程实现过程及代码链接：https://gitee.com/chenshuooooo/data-acquisition/blob/master/%E4%BD%9C%E4%B8%9A3/1%E5%8D%95%E7%BA%BF%E7%A8%8B.py
1.解析网页

sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='gb18030')  # 改变标准输出的默认编码为汉字编码
url='http://www.weather.com.cn/'
header = 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
html=requests.get(url,header)
data=html.text
count = 1
#print(data)

2.正则表达式的构建

s1='<img src=\"(.*?)[png,jpg]\"'#匹配图片地址
s2='href=\"(.*?)\"'#匹配子网址

3.爬取该网页下及子网页的所有图片下载链接

for tag in tags:
    tag = tag +'g'
    print('下载图片的地址是:'+tag)
    urllib.request.urlretrieve(tag, '陈硕爬取的书包图片'  + str(count) + '.jpg')
    count+=1
    if count>104:
        break
lis = re.findall(s2,data)
for li in lis:
    ht = requests.get(li)
    dt = ht.text
    img_ls = re.findall(s1,dt)#匹配子网址中的图片地址
    for img in img_ls:
        img = img +'g'
        print('下载图片的地址是:' + img)
        urllib.request.urlretrieve(img, '陈硕爬取的书包图片' + str(count) + '.jpg')
        count+=1
        if count>104:
            break
    if count>104:
        break

4.输出结果

5.爬取下载结果

多线程实现过程及代码链接：https://gitee.com/chenshuooooo/data-acquisition/blob/master/%E4%BD%9C%E4%B8%9A3/1%E5%A4%9A%E7%BA%BF%E7%A8%8B.py
1.将urllib.request.urlretrieve方法封装为download方法，再使用threading进行并发处理。

def download(url,name):
    urllib.request.urlretrieve(url)

for tag in tags:
    tag = tag +'g'
    print('下载图片'+str(count)+'的地址是:'+tag)
    T = threading.Thread(target=download(tag, '陈硕爬取的书包图片'  + str(count) + '.jpg'))
    T.setDaemon(False)
    T.start()
    count+=1
    if count>104:
        break
lis = re.findall(s2,data)
for li in lis:
    ht = requests.get(li)
    dt = ht.text
    img_ls = re.findall(s1,dt)#匹配子网址中的图片地址
    for img in img_ls:
        img = img +'g'
        print('下载图片' + str(count) + '的地址是:' + tag)
        T = threading.Thread(target=download(img, '陈硕爬取的书包图片' + str(count) + '.jpg'))
        T.setDaemon(False)
        T.start()
        count+=1

心得体会

复习了并发的使用，对并发有了更加深刻的了解。
复习了正则表达式的写法

作业②

要求：使用scrapy框架复现作业①。
输出信息：同作业①

实现过程

代码实现：https://gitee.com/chenshuooooo/data-acquisition/tree/master/%E4%BD%9C%E4%B8%9A3/%E7%AC%AC%E4%BA%8C%E9%A2%98
1.编写weather.py爬虫主程序

# -*- coding:utf-8 -*-
import scrapy
from ..items import Exp3Item
#031904104 陈硕
class WeatherSpider(scrapy.Spider):
    name = 'weather'
    start_urls = ['http://p.weather.com.cn/txqg/index.shtml']
    global count
    count = 0  # 计数，爬取学号后三位104项后就停止


    def get_urllist(self,response):
        urls = response.xpath('//div[@class="tu"]/a/@href').extract()#匹配子网址
        for url in urls:
            if self.count>104:
                break
            yield scrapy.Request(url=url, callback=self.get_imgurl)

    def get_imgurl(self, response):
        global count
        item = Exp3Item()
        img_url=response.xpath('//div[@class="buttons"]/span/img/@src')
        for i in img_url:
            count+=1
            url=i.extract()
        if self.count<=104:
            item['img_url']=url
        yield item
        pass

2.setting.py
将机器人协议改为False，设置存储路径，以及爬虫优先级

3.编写pipelines.py文件

import requests

class Exp3Pipeline:
    def open_spider(self, spider):
        self.num = 1

    def process_item(self, item, spider):
        url = item['img_url']
        resp = requests.get(url)
        img = resp.content

        with open('D:\image\%d' % (self.num) + '.jpg', 'wb') as f:
            f.write(img)
            print('%d' % (self.num))
            self.num += 1
        return item

4.编写item.py

import scrapy
class Exp3Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    img_url = scrapy.Field() #图片url地址
    pass

5.编写run.py，模拟命令行运行爬虫

# -*- coding:utf-8 -*-
from scrapy import cmdline
import sys
sys.path.append(r'D:\python project\exp3\exp3spiders\weather')#添加爬虫路径，防止报错找不到路径
cmdline.execute('scrapy crawl weather'.split())#运行爬虫

6.爬取结果

报错： ERROR: Spider error processing <GET http://p.weather.com.cn/txqg/index.shtml> (referer: None)

通过查询资料，发现可能是两个方面的问题：
①.xpath表达式解析错误（会导致爬虫解析dom失败），在询问过大佬后，我重构了表达式，这方面应该没问题
② 机器人协议为设置为False，在检查过setting文件后，发现已经修改，应该不是这个问题。
但是这两个问题都解决后，还是报错。

心得体会

复习了scrapy的使用，对scrapy有了一个更深的了解，确切感受到scrapy爬取速度确实比较快。

作业③

要求：爬取豆瓣电影数据使用scrapy和xpath，并将内容存储到数据库，同时将图片存储在imgs路径下。
候选网站： https://movie.douban.com/top250
输出信息：

序号	电影名称	导演	演员	简介	电影评分	电影封面
1	肖申克的救赎	弗兰克·德拉邦特	蒂姆·罗宾斯	希望让人*	9.7	./imgs/xsk.jpg

实现过程

代码链接：https://gitee.com/chenshuooooo/data-acquisition/tree/master/%E4%BD%9C%E4%B8%9A3/%E7%AC%AC%E4%B8%89%E9%A2%98
1.items类

2.settings

3.爬虫db.py

# -*- coding:utf-8 -*-
from urllib.request import Request
import scrapy
import re
from douban.items import DoubanItem


class DbSpider(scrapy.Spider):
    def start_requests(self):
        ##翻页处理
        for i in range(10):
            url = 'https://movie.douban.com/top250?start=' + str(i * 25) + '&filter='
            yield Request(url=url,  callback=self.parse1)

    ##xpath选择对应的项目内容传入item
    def parse1(self, response):
        global count
        data = response.body.decode()
        selector = scrapy.Selector(text=data)
        # 获取每个电影项目
        movies = selector.xpath(
            "//ol[@class='grid_view']/li")
        ##选择每个电影标签下的对应标签内容
        for i in movies:
            image = i.xpath("./div[@class='item']/div[@class='pic']/a/img/@src").extract_first()
            name = i.xpath(
                "./div[@class='item']/div[@class='info']/div[@class='hd']//span[@class='title']/text()").extract_first()
            dir = i.xpath(
                "./div[@class='item']/div[@class='info']/div[@class='bd']/p[@class='']/text()").extract_first()
            desp = i.xpath(
                "./div[@class='item']/div[@class='info']/div[@class='bd']/p[@class='quote']/span/text()").extract_first()
            grade = i.xpath(
                "./div[@class='item']/div[@class='info']/div[@class='bd']/div/span[@class='rating_num']/text()").extract_first()
            print(image)
            ##正则转换导演和主演，便于后续获取相应内容
            dir = dir.replace(' ', '')
            dir = dir.replace('\n', '')
            dir = dir + '\n'
            director = re.findall(r'导演:(.*?)\s', dir)
            actor = re.findall(r'主演:(.*?)\n', dir)
            count += 1
            item = DoubanItem()
            # 保存到对应item
            item['num'] = str(count)
            item['name'] = str(name)
            item['dir'] = str(director[0])
            if (len(actor) != 0):  ##由于有动画片没有演员或者由于导演名过长导致演员无法显示，actor可能为空
                item['act'] = str(actor[0])
            else:
                item['actor'] = 'null'
            item['introduce'] = str(desp)
            item['score'] = str(grade)
            item['img'] = str(image)
            yield item
        pass

4.pipeline类

心得体会

进一步加深了对scrapy框架的了解，不过对管道类的使用还是不太熟悉，还要加强。

码农公寓

作业①

实现过程

心得体会

作业②

实现过程

心得体会

作业③

实现过程

心得体会

相关文章