当前位置: 首页 > news >正文

鹤壁企业网站建设公司网页网站建设

鹤壁企业网站建设,公司网页网站建设,wordpress fox,检察院网站建设标书前言 Scrapy是非常优秀的一个爬虫框架#xff0c;基于twisted异步编程框架。yield的使用如此美妙。基于调度器#xff0c;下载器可以对scrapy扩展编程。插件也是非常丰富#xff0c;和Selenium#xff0c;PlayWright集成也比较轻松。 当然#xff0c;对网页中的ajax请求…前言 Scrapy是非常优秀的一个爬虫框架基于twisted异步编程框架。yield的使用如此美妙。基于调度器下载器可以对scrapy扩展编程。插件也是非常丰富和SeleniumPlayWright集成也比较轻松。 当然对网页中的ajax请求它是无能无力的但结合mitmproxy几乎无所不能Scrapy PlayWright模拟用户点击mitmproxy则在后台抓包取数据登录一次运行一天。 最终我通过asyncio把这几个工具整合到了一起基本达成了自动化无人值守的稳定运行一篇篇的文章送入我的ElasticSearch集群经过知识工厂流水线变成知识商品。 ”爬虫数据算法智能“这是一个技术人的理想。 配置与运行 安装: pip install scrapy 当前目录下有scrapy.cfg和settings.py即可运行scrapy 命令行运行 scrapy crawl ArticleSpider 在程序中运行有三种写法 from scrapy.cmdline import executeexecute(scrapy crawl ArticleSpider.split())采用CrawlerRunner: # 采用CrawlerRunner from twisted.internet.asyncioreactor import AsyncioSelectorReactor reactor AsyncioSelectorReactor()runner CrawlerRunner(settings) runner.crawl(ArticleSpider) reactor.run()采用CrawlerProcess # 采用CrawlerProcess process CrawlerProcess(settings) process.crawl(ArticleSpider) process.start()和PlayWright的集成 使用PlayWright的一大好处就是用headless browser做自动化数据采集。A headless browser 是一种特殊的Web浏览器它为自动化提供API。通过安装 asyncio reactor 则可以集成 asyncio 基础库用于处理无头浏览器。 import scrapy from playwright.async_api import async_playwrightclass PlaywrightSpider(scrapy.Spider):name playwrightstart_urls [data:,] # avoid using the default Scrapy downloaderasync def parse(self, response):async with async_playwright() as pw:browser await pw.chromium.launch()page await browser.new_page()await page.goto(https:/example.org)title await page.title()return {title: title}使用 playwright-python 与上面的示例一样直接绕过了大多数scrapy组件(中间件、dupefilter等)。建议使用 scrapy-playwright 进行整合。 安装 pip install scrapy-playwright playwright install playwright install firefox chromium settings.py配置 BOT_NAME ispiderSPIDER_MODULES [ispider.spider]TWISTED_REACTOR twisted.internet.asyncioreactor.AsyncioSelectorReactor DOWNLOAD_HANDLERS {https: scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler,http: scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler, }CONCURRENT_REQUESTS 32 PLAYWRIGHT_MAX_PAGES_PER_CONTEXT 4 CLOSESPIDER_ITEMCOUNT 100PLAYWRIGHT_CDP_URL http://localhost:9900 爬虫定义 class ArticleSpider(Spider):name ArticleSpidercustom_settings {# TWISTED_REACTOR: twisted.internet.asyncioreactor.AsyncioSelectorReactor,# DOWNLOAD_HANDLERS: {# https: scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler,# http: scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler,# },# CONCURRENT_REQUESTS: 32,# PLAYWRIGHT_MAX_PAGES_PER_CONTEXT: 4,# CLOSESPIDER_ITEMCOUNT: 100,}start_urls [https://blog.csdn.net/nav/lang/javascript]def __init__(self, nameNone, **kwargs):super().__init__(name, **kwargs)logger.debug(ArticleSpider initialized.)def start_requests(self):for url in self.start_urls:yield Request(url,meta{playwright: True,playwright_context: first,playwright_include_page: True,playwright_page_goto_kwargs: {wait_until: domcontentloaded,},},)async def parse(self, response: Response, current_page: Optional[int] None) - Generator:content response.textpage response.meta[playwright_page]context page.contexttitle await page.title()while True:## 垂直滚动下拉不断刷新数据page.mouse.wheel(delta_x0, delta_y200)time.sleep(3)pass参考链接 scrapy文档官方scrapy-playwright插件崔庆才丨静觅写的插件GerapyPlaywright
http://www.huolong8.cn/news/319147/

相关文章:

  • 南通设计网站建设做请柬的网站
  • 网站域名设计推荐网站会员系统模板
  • 做网站一年公司网络维护服务方案
  • 青岛市网站建设公司建立网站的英文
  • 小白网站搭建教程太原百度快速排名
  • 网站正在建设中a手机版北京建网站 优帮云
  • 广东省备案网站建设方案书wordpress 企业汉化主题
  • 上海做公司网站vps 网站备案
  • 网站建设宁波医院网站队伍建设
  • 网站建设蓝色工匠百度联盟个人怎么接广告
  • 大连培训网站建设济南智能网站建设咨询电话
  • 范县网站建设价格建筑设计和室内设计哪个好
  • 做商城类网站空间怎么买网站建设要考虑哪些方面
  • 优秀茶叶网站设计苏州资讯网站建设
  • wordpress站内seo竞价广告
  • 如何免费建com的网站网页设计培训班学费多少钱
  • 网站建设考评表阿里巴巴做网站的
  • 双云官方网站谷歌站长平台
  • 论坛网站建设视频wordpress获取文章所有图片
  • 廊坊百度关键词排名平台镇江网站搜索引擎优化
  • 医院做网站wordpress 图片圆边
  • 做a货包好的网站网页设计个人网页制作
  • 长宁广州网站建设网站后台文章编辑器
  • 西安做网站哪里好视频拍摄及制作培训
  • 中国建设银行太原招聘信息网站美食网站怎样做锅包肉
  • 剪辑素材网站免费腾讯网站建设方案
  • 南平 网站建设wordpress安装博客
  • 宁波网站推广专业服务中国建设教育协会报名网站
  • 网站用开源cms牟平建设局网站
  • 网站手机适配跳转做简历网站