zoukankan      html  css  js  c++  java
  • 小白scrapy爬虫简单例子之爬取农业银行分支结构信息

    *.准备工作:爬取的网站地址:http://www.abchina.com/cn/AboutABC/nonghzx/fzjg/jnbranch_org/

            爬取的内容:下图中每个省份(或者城市)对应的弹框里的支行信息

    1.打开终端,进入到要存放scrapy项目的文件夹下,并创建一个scrapy项目:

     2.自动创建的目录结构(各个文件及文件夹的作用可参考其他博客内容):

    3.创建爬虫

     bank_branch:爬虫名字

    abchina.com:爬取网站的域名 

    存放在spiders文件夹下

    4.查看网页源码,找到要爬取信息所在的位置 

     5.利用xpath取出我们所需要的地址、邮编、电话等信息(关于xpath的知识可以百度看一下):

    可以通过'scrapy shell http://www.abchina.com/cn/AboutABC/nonghzx/fzjg/jnbranch_org/' 命令在终端里调试出满足自己要求的表达式

    (这里要注意的是有的网址需要在setting.py里设置USER_AGENT值之后才可以访问,不然会报‘4xx’的错误)

     6.将上面的逻辑代码写入自己创建的bank_branch.py爬虫文件里 

    7.bank_branch.py脚本里的item对象来自来自于items.py文件(items.py文件设置数据存储模板)(name为item的一个字段)

     8.pipelines.py为管道文件,决定数据输出流向的部分:是保存到数据库还是文本文件。

    9.在settings.py里设置配置参数。设置USER_AGENT,ITEM_PIPELINES的参数值。

    10.运行

    方式一:在终端里输入命令:scrapy crawl bank_branch   (bank_branch是bank_branch.py里声明的爬虫名字)

    方式二:新建main.py脚本,执行main.py脚本 

     11.执行结果

  • 相关阅读:
    视频基础知识 720P、1080i、1080P
    PS/ES/TS区别
    服务端时间与COOKIE问题
    H.264名词
    一组视频音频编辑软件的介绍
    浅述WinForm多线程编程与Control.Invoke的应用
    [原创]补丁工具V1.6.3
    .net序列化与反序列化错误,可能是Local Settings\Temp不存在引起
    通过IViewObject接口,取浏览器的图象,实现SNAP
    C#实现一个用于开机启动其他程序的Windows服务
  • 原文地址:https://www.cnblogs.com/hongdanni/p/9449634.html
Copyright © 2011-2022 走看看