声明:该爬虫只可用于提高自己学习、工作效率,请勿用于非法用途,否则后果自负
功能概述:
- 根据待爬文章url(文章id)批量保存文章到本地;
- 支持将文中图片下载到本地指定文件夹;
- 多线程爬取;
1.爬取效果展示
本次示例爬取的链接地址:
https://blog.csdn.net/m0_68111267/article/details/132574687
原文效果:
爬取效果:
文件列表:
2.编写代码
爬虫使用scrapy框架编写,分布式、多线程
2.1编写Items
class ArticleItem(scrapy.Item):
id = scrapy.Field() # ID
title = scrapy.Field()
html = scrapy.Field() # html
class ImgDownloadItem(scrapy.Item):
img_src = scrapy.Field()
img_name = scrapy.Field()
image_urls = scrapy.Field()
class LinkIdsItem(scrapy.Item):
id = scrapy.Field()
2.2添加管道
class ArticlePipeline():
def open_spider(self, spider):
if spider.name == 'csdnSpider':
data_dir = os.path.join(settings.DATA_URI)
#判断文件夹存放的位置是否存在,不存在则新建文件夹
if not os.path.exists(data_dir):
os.makedirs(data_dir)
self.data_dir = data_dir
def close_spider(self, spider): # 在关闭一个spider的时候自动运行
pass
# if spider.name == 'csdnSpider':
# self.file.close()
def process_item(self, item, spider):
try:
if spider.name == 'csdnSpider' and item['key'] == 'article':
info = item['info']
id = info['id']
title = info['title']
html = info['html']
f = open(self.data_dir + '/{}.html'.format(title),
'w',
encoding="utf-8")
f.write(html)
f.close()
except BaseException as e:
print("Article错误在这里>>>>>>>>>>>>>", e, "<<<<<<<<<<<<<错误在这里")
return item
2.3添加配置
2.4添加解析器
...
def parse(self, response):
html = response.body
a_id = response.meta['a_id']
soup = BeautifulSoup(html, 'html.parser')
[element.extract() for element in soup('script')]
[element.extract() for element in soup.select("head style")]
[element.extract() for element in soup.select("html > link")]
# 删除style中包含隐藏的标签
[
element.extract() for element in soup.find_all(
style=re.compile(r'.*display:none.*?'))
]
...
3.获取完整源码
项目说明文档
爱学习的小伙伴,本次案例的完整源码,已上传微信公众号“一个努力奔跑的snail”,后台回复“csdn”即可获取。
源码地址:
https://pan.baidu.com/s/1uLBoygwQGTSCAjlwm13mog?pwd=****文章来源:https://www.toymoban.com/news/detail-698825.html
提取码: ****文章来源地址https://www.toymoban.com/news/detail-698825.html
到了这里,关于python批量下载csdn文章的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!