鱼C论坛

 找回密码
 立即注册
查看: 2099|回复: 7

[已解决]关于scrapy 爬取dmoz数据

[复制链接]
发表于 2017-6-16 15:59:34 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
小甲鱼老师的第62讲课中谈到了关于scrapy 爬取dmoz数据,但是现在dmoz的网站已经没了,换成了
  1. http://dmoztools.net/
复制代码

而视屏中所说的两个资源网址(BOOK和Resource)的网址分别为
  1. http://dmoztools.net/Computers/Programming/Languages/Python/Books/

  2. http://dmoztools.net/Computers/Programming/Languages/Python/Resources/
复制代码


因此我做了替换,运行scrapy crawl dmoz,运行的结果和小甲鱼老师类似,我这里截了一个图(如图1图2所示),只是其中有几个状态码是404,基本相同,但是在根目录tutorial中,没有出现Books和Resources,请问这是为什么??

此外,有没有推荐的python3.5版本的scrapy教程?求各位大神指导一下
最佳答案
2017-7-12 17:14:47
不知道楼主问题解决了没。我试过了,404是因为两个地址合一起了,是那两个地址之间需要加上一个逗号。
1.jpg
2.jpg
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2017-6-16 16:00:26 | 显示全部楼层
这是我的dmoz_spider.py的代码
  1. import scrapy

  2. class DmozSpider(scrapy.Spider):
  3.     name = 'dmoz'
  4.     allowed_domains=['dmoztools.net']
  5.     start_urls=[
  6.         'http://dmoztools.net/Computers/Programming/Languages/Python/Books/'
  7.         'http://dmoztools.net/Computers/Programming/Languages/Python/Resources/'
  8.         ]

  9.     def parse(self,response):
  10.         filename = response.url.split("/")[-2]
  11.         with open(filename,'wb') as f:
  12.             f.write(response.body)
复制代码
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-6-16 16:58:31 | 显示全部楼层
我是3.5.2版本,之前学的是时候是这个文档http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html
然后,学完之后写的爬虫是这个http://bbs.fishc.com/thread-84760-1-1.html
爬LOL王者数据
好久没用过来,都忘了
scrapy速度是真的快,好像是100线程吧
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2017-6-16 17:12:44 | 显示全部楼层
gopythoner 发表于 2017-6-16 16:58
我是3.5.2版本,之前学的是时候是这个文档http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.htm ...

哇,这资源给力,马克了好好学一下
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2017-6-17 17:08:09 | 显示全部楼层
找到原因了。。。因为网站的缘故,主要是网页链接没成功,dmoz传回来的状态码是404,换了别的网页就可以了(有的网页也是不行,比如我高中的校网),比如之前的煎蛋网就可以,只有这部操作成功了后面才可以继续进行。

但是有点不明白,我的校网、还有dmoztools.net都是可以登的上的,为什么运行爬取操作时会链接失败呢
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-7-12 17:14:47 | 显示全部楼层    本楼为最佳答案   
不知道楼主问题解决了没。我试过了,404是因为两个地址合一起了,是那两个地址之间需要加上一个逗号。
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 1 反对 0

使用道具 举报

 楼主| 发表于 2017-9-8 15:37:59 | 显示全部楼层
sd4718789qw 发表于 2017-7-12 17:14
不知道楼主问题解决了没。我试过了,404是因为两个地址合一起了,是那两个地址之间需要加上一个逗号。

哈哈!!我才注意到,还以为人家网站有问题,结果是自己马虎了,朋友好眼力
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2018-3-20 19:29:56 | 显示全部楼层
学习了
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-3-29 17:00

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表