/python-paChong-

这是一个让人觉得舒服的好项目.

Primary LanguagePython

python-paChong-

我是一个可爱的简书爬虫项目,简陋但是有效,低效但是稳定. 把 pipline.py中的数据库改成你的数据库哦,详情操作,请自己去百度找SCRAPY的数据库连接教程,非常简单 #这里记得改成你自己的数据库,不然你爬起来会不停地出错哦.

2019.5.17号的小修改 pipline.py中添加了异步下载数据到数据库 class JianshuTwistedPipeline(object):

并且更改了setting内的 ITEM_PIPELINES = {

'jianshu_spider.pipelines.JianshuSpiderPipeline': 300,

'jianshu_spider.pipelines.JianshuTwistedPipeline': 300, } 把原本的JianshuSpiderPipeline慢速爬虫，替换成了JianshuTwistedPipeline的异步爬虫

5月18日更新了把所有的字段都爬到了数据库,数据库的字节最好都用varchar不然,爬阅读数,点赞数的时候你会爆炸的,亲测,只要替换网址就能用到很多网站.

重点修改了middlewares.py的文件

from scrapy import signals

from selenium import webdriver

import time

from scrapy.http.response.html import HtmlResponse

class SeleniumDownloadMiddleware(object):

def __init__(self):
    self.driver = webdriver.Chrome(executable_path=r"C:\Work\python\chromedriver.exe")
    

def process_request(self,request,spider):
    self.driver.get(request.url)
    time.sleep(1)
    try:
        while True:
            showMore = self.driver.find_element_by_class_name('show-more')
            showMore.click()
            time.sleep(0.3)
            if not showMore:
                break
    except:
        pass
    source = self.driver.page_source
    response = HtmlResponse(url=self.driver.current_url,body=source,request=request,encoding='utf-8')
    return response