温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Python如何通过Scrapy框架实现爬取百度新冠疫情数据

发布时间:2022-03-03 15:20:41 来源:亿速云 阅读:317 作者:小新 栏目:开发技术

这篇文章主要介绍了Python如何通过Scrapy框架实现爬取百度新冠疫情数据,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。

    环境部署

    主要简单推荐一下

    插件推荐

    这里先推荐一个Google Chrome的扩展插件xpath helper,可以验证xpath语法是不是正确。

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    爬虫目标

    需要爬取的页面:实时更新:新型冠状病毒肺炎疫情地图

    主要爬取的目标选取了全国的数据以及各个身份的数据。

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    项目创建

    使用scrapy命令创建项目

    scrapy startproject yqsj

    webdriver部署

    这里就不重新讲一遍了,可以参考我这篇文章的部署方法:Python 详解通过Scrapy框架实现爬取CSDN全站热榜标题热词流程

    项目代码

    开始撸代码,看一下百度疫情省份数据的问题。

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    页面需要点击展开全部span。所以在提取页面源码的时候需要模拟浏览器打开后,点击该按钮。所以按照这个方向,我们一步步来。

    Item定义

    定义两个类YqsjProvinceItem和YqsjChinaItem,分别定义国内省份数据和国内数据。

    # Define here the models for your scraped items
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/items.html
     
    import scrapy
     
     
    class YqsjProvinceItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        location = scrapy.Field()
        new = scrapy.Field()
        exist = scrapy.Field()
        total = scrapy.Field()
        cure = scrapy.Field()
        dead = scrapy.Field()
     
     
    class YqsjChinaItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        # 现有确诊
        exist_diagnosis = scrapy.Field()
        # 无症状
        asymptomatic = scrapy.Field()
        # 现有疑似
        exist_suspecte = scrapy.Field()
        # 现有重症
        exist_severe = scrapy.Field()
        # 累计确诊
        cumulative_diagnosis = scrapy.Field()
        # 境外输入
        overseas_input = scrapy.Field()
        # 累计治愈
        cumulative_cure = scrapy.Field()
        # 累计死亡
        cumulative_dead = scrapy.Field()

    中间件定义

    需要打开页面后点击一下展开全部。

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    完整代码

    # Define here the models for your spider middleware
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/spider-middleware.html
     
    from scrapy import signals
     
    # useful for handling different item types with a single interface
    from itemadapter import is_item, ItemAdapter
    from scrapy.http import HtmlResponse
    from selenium.common.exceptions import TimeoutException
    from selenium.webdriver import ActionChains
    import time
     
     
    class YqsjSpiderMiddleware:
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the spider middleware does not modify the
        # passed objects.
     
        @classmethod
        def from_crawler(cls, crawler):
            # This method is used by Scrapy to create your spiders.
            s = cls()
            crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
            return s
     
        def process_spider_input(self, response, spider):
            # Called for each response that goes through the spider
            # middleware and into the spider.
     
            # Should return None or raise an exception.
            return None
     
        def process_spider_output(self, response, result, spider):
            # Called with the results returned from the Spider, after
            # it has processed the response.
     
            # Must return an iterable of Request, or item objects.
            for i in result:
                yield i
     
        def process_spider_exception(self, response, exception, spider):
            # Called when a spider or process_spider_input() method
            # (from other spider middleware) raises an exception.
     
            # Should return either None or an iterable of Request or item objects.
            pass
     
        def process_start_requests(self, start_requests, spider):
            # Called with the start requests of the spider, and works
            # similarly to the process_spider_output() method, except
            # that it doesn't have a response associated.
     
            # Must return only requests (not items).
            for r in start_requests:
                yield r
     
        def spider_opened(self, spider):
            spider.logger.info('Spider opened: %s' % spider.name)
     
     
    class YqsjDownloaderMiddleware:
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the downloader middleware does not modify the
        # passed objects.
     
        @classmethod
        def from_crawler(cls, crawler):
            # This method is used by Scrapy to create your spiders.
            s = cls()
            crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
            return s
     
        def process_request(self, request, spider):
            # Called for each request that goes through the downloader
            # middleware.
     
            # Must either:
            # - return None: continue processing this request
            # - or return a Response object
            # - or return a Request object
            # - or raise IgnoreRequest: process_exception() methods of
            #   installed downloader middleware will be called
            # return None
            try:
                spider.browser.get(request.url)
                spider.browser.maximize_window()
                time.sleep(2)
                spider.browser.find_element_by_xpath("//*[@id='nationTable']/div/span").click()
                # ActionChains(spider.browser).click(searchButtonElement)
                time.sleep(5)
                return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source,
                                    encoding="utf-8", request=request)
            except TimeoutException as e:
                print('超时异常:{}'.format(e))
                spider.browser.execute_script('window.stop()')
            finally:
                spider.browser.close()
     
        def process_response(self, request, response, spider):
            # Called with the response returned from the downloader.
     
            # Must either;
            # - return a Response object
            # - return a Request object
            # - or raise IgnoreRequest
            return response
     
        def process_exception(self, request, exception, spider):
            # Called when a download handler or a process_request()
            # (from other downloader middleware) raises an exception.
     
            # Must either:
            # - return None: continue processing this exception
            # - return a Response object: stops process_exception() chain
            # - return a Request object: stops process_exception() chain
            pass
     
        def spider_opened(self, spider):
            spider.logger.info('Spider opened: %s' % spider.name)

    定义爬虫

    分别获取国内疫情数据以及省份疫情数据。完整代码:

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # @Time    : 2021/11/7 22:05
    # @Author  : 至尊宝
    # @Site    : 
    # @File    : baidu_yq.py
     
    import scrapy
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
     
    from yqsj.items import YqsjChinaItem, YqsjProvinceItem
     
     
    class YqsjSpider(scrapy.Spider):
        name = 'yqsj'
        # allowed_domains = ['blog.csdn.net']
        start_urls = ['https://voice.baidu.com/act/newpneumonia/newpneumonia#tab0']
        china_xpath = "//div[contains(@class, 'VirusSummarySix_1-1-317_2ZJJBJ')]/text()"
        province_xpath = "//*[@id='nationTable']/table/tbody/tr[{}]/td/text()"
        province_xpath_1 = "//*[@id='nationTable']/table/tbody/tr[{}]/td/div/span/text()"
     
        def __init__(self):
            chrome_options = Options()
            chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
            chrome_options.add_argument('--disable-gpu')
            chrome_options.add_argument('--no-sandbox')
            self.browser = webdriver.Chrome(chrome_options=chrome_options,
                                            executable_path="E:\\chromedriver_win32\\chromedriver.exe")
            self.browser.set_page_load_timeout(30)
     
        def parse(self, response, **kwargs):
            country_info = response.xpath(self.china_xpath)
            yq_china = YqsjChinaItem()
            yq_china['exist_diagnosis'] = country_info[0].get()
            yq_china['asymptomatic'] = country_info[1].get()
            yq_china['exist_suspecte'] = country_info[2].get()
            yq_china['exist_severe'] = country_info[3].get()
            yq_china['cumulative_diagnosis'] = country_info[4].get()
            yq_china['overseas_input'] = country_info[5].get()
            yq_china['cumulative_cure'] = country_info[6].get()
            yq_china['cumulative_dead'] = country_info[7].get()
            yield yq_china
            
            # 遍历35个地区
            for x in range(1, 35):
                path = self.province_xpath.format(x)
                path2 = self.province_xpath_1.format(x)
                province_info = response.xpath(path)
                province_name = response.xpath(path2)
                yq_province = YqsjProvinceItem()
                yq_province['location'] = province_name.get()
                yq_province['new'] = province_info[0].get()
                yq_province['exist'] = province_info[1].get()
                yq_province['total'] = province_info[2].get()
                yq_province['cure'] = province_info[3].get()
                yq_province['dead'] = province_info[4].get()
                yield yq_province

    pipeline输出结果文本

    将结果按照一定的文本格式输出出来。完整代码:

    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
     
     
    # useful for handling different item types with a single interface
    from itemadapter import ItemAdapter
     
    from yqsj.items import YqsjChinaItem, YqsjProvinceItem
     
     
    class YqsjPipeline:
        def __init__(self):
            self.file = open('result.txt', 'w', encoding='utf-8')
     
        def process_item(self, item, spider):
            if isinstance(item, YqsjChinaItem):
                self.file.write(
                    "国内疫情\n现有确诊\t{}\n无症状\t{}\n现有疑似\t{}\n现有重症\t{}\n累计确诊\t{}\n境外输入\t{}\n累计治愈\t{}\n累计死亡\t{}\n".format(
                        item['exist_diagnosis'],
                        item['asymptomatic'],
                        item['exist_suspecte'],
                        item['exist_severe'],
                        item['cumulative_diagnosis'],
                        item['overseas_input'],
                        item['cumulative_cure'],
                        item['cumulative_dead']))
            if isinstance(item, YqsjProvinceItem):
                self.file.write(
                    "省份:{}\t新增:{}\t现有:{}\t累计:{}\t治愈:{}\t死亡:{}\n".format(
                        item['location'],
                        item['new'],
                        item['exist'],
                        item['total'],
                        item['cure'],
                        item['dead']))
            return item
     
        def close_spider(self, spider):
            self.file.close()

    配置文件改动

    直接参考,自行调整:

    # Scrapy settings for yqsj project
    #
    # For simplicity, this file contains only settings considered important or
    # commonly used. You can find more settings consulting the documentation:
    #
    #     https://docs.scrapy.org/en/latest/topics/settings.html
    #     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
    #     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
     
    BOT_NAME = 'yqsj'
     
    SPIDER_MODULES = ['yqsj.spiders']
    NEWSPIDER_MODULE = 'yqsj.spiders'
     
     
    # Crawl responsibly by identifying yourself (and your website) on the user-agent
    #USER_AGENT = 'yqsj (+http://www.yourdomain.com)'
    USER_AGENT = 'Mozilla/5.0'
     
    # Obey robots.txt rules
    ROBOTSTXT_OBEY = False
     
    # Configure maximum concurrent requests performed by Scrapy (default: 16)
    #CONCURRENT_REQUESTS = 32
     
    # Configure a delay for requests for the same website (default: 0)
    # See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
    # See also autothrottle settings and docs
    #DOWNLOAD_DELAY = 3
    # The download delay setting will honor only one of:
    #CONCURRENT_REQUESTS_PER_DOMAIN = 16
    #CONCURRENT_REQUESTS_PER_IP = 16
     
    # Disable cookies (enabled by default)
    COOKIES_ENABLED = False
     
    # Disable Telnet Console (enabled by default)
    #TELNETCONSOLE_ENABLED = False
     
    # Override the default request headers:
    DEFAULT_REQUEST_HEADERS = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
        'Accept-Language': 'en',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
    }
     
    # Enable or disable spider middlewares
    # See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
    SPIDER_MIDDLEWARES = {
       'yqsj.middlewares.YqsjSpiderMiddleware': 543,
    }
     
    # Enable or disable downloader middlewares
    # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
    DOWNLOADER_MIDDLEWARES = {
       'yqsj.middlewares.YqsjDownloaderMiddleware': 543,
    }
     
    # Enable or disable extensions
    # See https://docs.scrapy.org/en/latest/topics/extensions.html
    #EXTENSIONS = {
    #    'scrapy.extensions.telnet.TelnetConsole': None,
    #}
     
    # Configure item pipelines
    # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
    ITEM_PIPELINES = {
       'yqsj.pipelines.YqsjPipeline': 300,
    }
     
    # Enable and configure the AutoThrottle extension (disabled by default)
    # See https://docs.scrapy.org/en/latest/topics/autothrottle.html
    #AUTOTHROTTLE_ENABLED = True
    # The initial download delay
    #AUTOTHROTTLE_START_DELAY = 5
    # The maximum download delay to be set in case of high latencies
    #AUTOTHROTTLE_MAX_DELAY = 60
    # The average number of requests Scrapy should be sending in parallel to
    # each remote server
    #AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
    # Enable showing throttling stats for every response received:
    #AUTOTHROTTLE_DEBUG = False
     
    # Enable and configure HTTP caching (disabled by default)
    # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
    #HTTPCACHE_ENABLED = True
    #HTTPCACHE_EXPIRATION_SECS = 0
    #HTTPCACHE_DIR = 'httpcache'
    #HTTPCACHE_IGNORE_HTTP_CODES = []
    #HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

    验证结果

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    看看结果文件

    Python如何通过Scrapy框架实现爬取百度新冠疫情数据

    感谢你能够认真阅读完这篇文章,希望小编分享的“Python如何通过Scrapy框架实现爬取百度新冠疫情数据”这篇文章对大家有帮助,同时也希望大家多多支持亿速云,关注亿速云行业资讯频道,更多相关知识等着你来学习!

    向AI问一下细节

    免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

    AI