imagespider
使用BeautifulSoup,urlparse2,redis,以及稍微改动的wgetter模块实现的一个针对22mm.cc的图片爬虫。
网页解析使用BeautifulSoup,url处理使用urlparse2,任务通道redis内存数据库,也可使用redis扩展为分布式爬取,下载使用wgetter
这个工程是余弦给我的一道题目,它包含一个针对http://www.22mm.cc/网站的spider,将网站中美女大图爬取下来。
使用redis实现任务通道,redis中存储了未爬取网页地址,已爬取网页地址,未下载图片地址,已下载图片地址,图片下载数量,图片未下载数量等。
相关依赖
- BeautifulSoup4
用于从网页中解析出所需要的URL。相比其他的解析库,其函数简单,编码转换能力强
- urlparse2
对URL进行处理
- redis
内存式数据库,主要用于存储爬虫队列,实现判断,可以直接在此基础上扩展成分布式爬虫。
模块重用
-
redis pipelines模块
-
wgetter模块
-
网址爬模块
不可重用组件:
图片下载地址分析系统。不同的网站需要对图片下载地址分析系统做不同修改,以保证能够正确的分析出需要下载图片的网址
使用方法:
-
安装相关库BeautifulSoup
-
安装redis
-
安装urlparse2
-
启动redis sever
注意
每次任务结束后请清空redis server