Python 爬虫 请教能实现我的这两点吗?

[leihongjiang]

因为自己需要浏览很多的页面,工作量太大,也找不到合适类似的软件. 所以自己想写两个爬虫

1:根据需要的网站 爬取到标题和 url 根据自己的需求浏览 2:设置关键词 搜索 全部抓取数据 然后设置爬虫判断是否展示

如果 Python 小白 开始学习的话.需要多长的时间可以.

[crella]

先把要爬的页面和需求发出来

[TimePPT]

如果需求简单，小白就别爬虫了，chrome 就有采集插件

[wangfj2333]

我用八爪鱼就没成功过。。

[tomczhen]

1. “根据自己的需求浏览” ，所以需求是什么？
2. “全部抓取数据”，所以全部是怎么定义？

[xingshu1990]

学习路线，requests （包括 get 以及 post，知道 header 哪些参数放脚本里能让爬虫爬到数据就好）
如果目标网站没有数据加密措施，页面内容匹配需要学 re 或者 BS4 或者 XPATH 或者 lxml 。
另外还有数据保存，比如保存 txt mysql excel 等。

[somalia]

火车头怎么样

[lilydjwg]

看起来需求是浏览网页时做辅助。那么，浏览器扩展它不香么？

[leihongjiang]

@tomczhen 我需要看这篇文章 然后打开链接就可以了.
全部抓取 就是抓取 搜索到的所有页面 然后设置判断

[imn1]

我知道这种需求，以前有考虑过，放弃
实际上就是针对没有 sitemap 、没有站内搜索，或者这两方面做得不好的站点，自己按需导航
例如 V2EX 的节点 sitemap 还过得去，但站内搜索就……

放弃原因并不是难写，而是耗费储存空间、耗时，一个工作要么空间换时间、要么时间换空间，两者都耗费就不值得做
而且这样爬不仅仅是一两天的事，是个常态，这样就极可能被网站 ban，得不偿失

建议善用 Ctrl-F 或者写页内脚本，把不想看的内容 display:none，或者 highlight 想看的内容

[dsg001]

html,css,xpath,正则,如果这些都熟，专心学下 python 一个月差不多了

[leihongjiang]

@lilydjwg 有可以聚合的吗.

[leihongjiang]

@imn1 如果有成品的采集 不是更方便吗

[leihongjiang]

@TimePPT 给推荐下

[leihongjiang]

@wangfj2333 八爪鱼能抓取 跳转后的链接吗

[leihongjiang]

@somalia 火车头需要单击点开 某个任务 才能查看到数据

[leihongjiang]

@dsg001 如果我只抓取 10 个网站的 首页更新的文章 有什么好的办法吗.毕竟一个月太长了

[lilydjwg]

@leihongjiang #11 我的意思是你自己按你的需求写。

[dsg001]

@leihongjiang 外包？或者把需求写清楚，偶尔有大手子顺手就写了

[GG668v26Fd55CP5W]

挺简单，小白也很容易，一周应该能搞搞定了吧，就模拟请求，读写文件，字符串处理，如果有 RSS feed，就更简单了。

[Junn]

PY 爬虫的实例教程看一两个，然后 PY 基本语法什么教程看一遍，1 ～ 2 天吧
看 HTML 、CSS 、正则等等相关教程，1 天吧
参考教程、文档、根据自己需求开始干，1 ～ 2 天吧

总体努力的话 1 周可以了～

[tlday]

@falcon05 并不是每个网站都有 RSS feed，也不是每个网站的 sitemap 都健全，还有一些 SPA 单页应用的网站链接和内容是动态 js 渲染的，对于一些搜索功能很差甚至没有搜索功能的网站，这个需求约等于抓取整个网站的内容。所以你需要知道以怎样的方式才能找齐“整站所有内容”，上面 @imn1 的回复才是针对需求了解的比较清楚的。楼主不给具体的网站，说很简单很容易有点太武断了。

[GG668v26Fd55CP5W]

@tlday 内容格式只是一个小方面，没有说 rss 是必需的啊，楼主是只看首页的更新文章，有 RSS 就弄个 RSS/xml 解析器，有 json 接口的就解析 json，即便都没有只有 html，就找个 html 解析器，也不是很大的问题，beautifulsoup 的教程烂大街。我并没有说正则，因为楼主说自己是小白。

[xiaozizayang]

到宣传自己开源项目的时候了🐒： https://github.com/howie6879/ruia

说正事，楼主花个几百块让大学生写事情就搞定了~~

[hbolive]

感觉就是个定制版的百度搜索，输入关键字，然后设置些条件（比如我设置不显示 csdn 的），符合的就显示。。

[myCupOfTea]

用 scrapy 太简单了,几行代码就完事了

[xingshu1990]

@myCupOfTea scrapy 的学习成本 比我在 5 楼里说的还高，scrapy 的安装就比较困难，更别说后面的启动命令。

[leihongjiang]

我怎么感觉应该不难啊 估计我没把我的要求表达清楚
页面 1-10 每个页面设置 单独的 xpath 定位 获得 title 和 rul 的值
然后 10 个页面爬取到的数据 按照时间倒序显示 显示爬取的时间
然后设定多久爬取的时间 然后输入到某个地方

例如:网站 A 更新了新的文章 然后我就可以看到 B 更新了文章 我可以看到.

[lithbitren]

对于入门来说，这种一般都坑在数据持久化吧，爬虫部分一般几行就能解决，html 看不懂都可以

[hgjian]

nodejs+puppeteer

[Cy086]

@myCupOfTea 如果有反爬呢

[Cy086]

不如发一个网址出来, 大家瞅瞅好不好爬, 是否有反爬措施再给你推荐思路

[winnerczwx]

@xingshu1990 感觉你用错方法了，scrapy 安装不是一句 pip 就行了吗？熟悉框架后新建一个项目也就 5 分钟左右全部配置好，可以开始写业务了。启动爬虫也就是一句代码的事。至于学习成本，我感觉它的文档做的还不错，比较齐全

[icegaze]

二十年前我用的是 telportpro
完全满足抓取网站网页的需求，，，^_^

[leihongjiang]

www.aidiyu.com/wangzhan

[justin2018]

http://www.locoy.com/ 火车头~ 快速 满足楼主需求 还不用学习 python

[crella]

我写的 ruby 脚本，数据以 data.json 存在文件夹里。
页面解析的大概流程：打开“开发人员工具”，切换到 Network 标签，选中 XHR，点击页面上的”加载更多“按钮，看到加载的请求如图： https://sm.ms/image/hGYR8yJce4WXL7a
多点几次，发现访问的页面形式是 https://www.aidiyu.com/wangzhan/page/页面序号(数字),选择其中一页进行分析。

接下来 xpath 的分析直接参考代码中的实现。先按 xpath:<article id="post-ID" ...>来选择项目，再分析每个项目的值。

代码： https://gitee.com/crella/codes/guori0c8dh9s6myz32b5n96

@leihongjiang

python 对应用 lxml 或者 beautifulsoup，写的 xpath 与 ruby 的 Nokogiri 的形式可能有不同。

[crella]

gitee 又抽风了？我设置代码的权限为”公开“的。
代码换个地址： https://gitee.com/crella/rubycode/blob/master/aidiyu.rb 。

[myCupOfTea]

@Cy086 scrapy 只支持中间件,加个代理就行了,反正确实挺简单的

[myCupOfTea]

@xingshu1990 scrapy 安装也难吗?直接用 conda 啊

[myCupOfTea]

@Cy086 多了个只

[myCupOfTea]

@xingshu1990 主要 scrapy 还有个 shell,可以很方便新手测试

[xingshu1990]

@myCupOfTea 楼主要是会看文档就能上手 scrapy，就不会过来问问题了。
如果不考虑 linux 还是 windown，当然是 anaconda 就好了，如果是 windown，还要看是 7 还是 10 以及里面的关联库的版本，windown 经常是不能正确安装 pypiwin32 或者 ssl 版本有问题，或者是 lxml 安装报错之类的问题，对于初学者来说学习成本会很大。

[myCupOfTea]

@xingshu1990 俺有次没用 anaconda,自己安装确实坑特别多,搞了半天最后说我 openssl 有问题