python3 scrapy 爬虫实战之爬取站长之家

我不是女神ヾ 2021-09-15 10:50 511阅读 0赞

## 爬取目标 ##

> 站长之家：[http://top.chinaz.com/all/][http_top.chinaz.com_all]

## 爬取工具 ##

> win10 python3 scrapy BeautifulSoup

## 爬取内容 ##

> 1 网站缩略图 2 网站名称 3 网址 4 Alexa排名，5 百度权重 6 网站简介 7 网站得分

![image.png][]

## 爬取理由 ##

> 想着可以通过网站top 来注册一下 .app的域名，同时这也是一个顶级域名。亦或者进行一下数据分析，看下以后做哪种类型的网站会稍微有前途些（异想天开.gif）

## 爬取代码 ##

> 因为用scrapy 用得熟练，这里只贴spider代码，其他工程代码，留言索取，即可。

*  spider代码

# -*- coding: utf-8 -*-
    # @Time : 2018/5/17 19:21
    # @Author : 蛇崽
    # @Email : 643435675@QQ.com
    # @File : chinaztopSpider.py（网站总排名）
    import scrapy
    from bs4 import BeautifulSoup
    
    
    class ChinaztopSpider(scrapy.Spider):
        name = 'chinaztop'
    
        allowed_domains = ['top.chinaz.com']
    
        start_urls = ['http://top.chinaz.com/all/']
    
        count = 0
        def parse(self, response):
            soup = BeautifulSoup(response.body,'lxml')
            li_list = soup.find('ul',class_='listCentent').find_all('li',class_='clearfix')
            for li in li_list:
                left_img = li.find('div',class_='leftImg').find('img',class_='')['src']
                detail_site_info = li.find('div',class_='leftImg').find('a',class_='')['href']
    
                site_com = li.find('h3',class_='rightTxtHead').find('span',class_='col-gray').get_text()
                rtc_data_alexa = li.find('p',class_='RtCData').find('a',class_='').get_text()
                site_info = li.find('p',class_='RtCInfo').get_text()
                print(response.urljoin(left_img))
                print(response.urljoin(detail_site_info))
                print(site_com)
                print(rtc_data_alexa)
                print(site_info)
    
            # 查找下一页
            next_links = soup.find('div',class_='ListPageWrap').find_all('a')
            for next_link in next_links:
                text = next_link.get_text()
                print('next-link ===== ',text)
                if '>' in text:
                    nt_link = next_link['href']
                    nt_link =response.urljoin(nt_link)
                    print('nt_link ===== ',nt_link)
                    self.count = self.count +1
                    print('============== 当前抓取页数： ',self.count)
                    yield scrapy.Request(nt_link,callback=self.parse)

这里的数据暂时只做打印，日后进行复盘。

爬取部分截图：

![image.png][image.png 1]

更多原创文章请访问：[https://blog.csdn.net/xudailong\_blog][https_blog.csdn.net_xudailong_blog]

[http_top.chinaz.com_all]: http://top.chinaz.com/all/
[image.png]: /images/20210529/1f83d92c54d143b6a4589f048791947a.png
[image.png 1]: /images/20210529/6b553dd839374aba977f428232c6040c.png
[https_blog.csdn.net_xudailong_blog]: https://blog.csdn.net/xudailong_blog