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.sadfv.cn/news/319147/

相关文章:

  • 米拓建站下载东莞开发游戏软件公司
  • 烟台放心的一站式网站建设正规免费网站建设公司
  • 旅游网站页面设计个人免费开发app
  • ps4gta5网站建设中wordpress插件过多不好
  • 云服务器网站文件夹怎么将html变成为网址
  • 做百度竞价网站修改影响排名吗全网网络营销
  • 被网站管理员设置拦截dw做公司网站
  • 点击进入官方网站专业商城网站建设多少钱
  • 化妆品网站建设预算明细表带商城的wordpress
  • 房产官方网站网站备案 登陆
  • 网站模板购买网站建设与管理好学吗
  • 信息发布网站推广技巧网络推广企业营销
  • 网站开发项目管理文档模板汕头八景
  • 移动端网站制作案例公司大厅设计效果图大全
  • 站长工具官网北京响应式网站开发
  • 俄文网站开发地点东莞智通人才网最新招聘信息
  • 上海装饰公司网站建设济南个人制作网站
  • 沈阳网站设计运营公司网站与网页区别是什么
  • 网站索引量突然下降国内免费接码
  • 没有网站怎么做推广wordpress媒体库插件
  • 锡盟建设局网站网站建设技术支持 会天下
  • 自己学习做网站乡村网站建设
  • 门户网站开发注意哪些seo查询在线
  • 最快做网站的语言方维服务客户类型
  • 网站布局优化策略seo博客写作
  • 天天新品网做网站php用户管理系统源码
  • 免费dede企业网站模板礼物说wordpress
  • 网站关键词百度没有收录seo模拟点击软件源码
  • 南昌手机网站企业自助建站
  • 甘肃住房与城乡建设厅网站willfast优化工具下载