用scrapy-redis分布式爬虫爬取房天下广州的租房信息
我做过用selenium爬取房天下的租房信息也用过ajax分析接口爬取房天下的租房信息但是前两次任务都是小规模地爬取爬取的量比较小。所以这次准备大规模地爬取租房信息使用scrapy-redis分布式爬虫来爬取我只有一台电脑但是我做了两个爬虫来同时爬取一个从首页中爬取出子页面的链接一个从子页面中爬虫租房的详细信息在Pycharm下同时运行两个py文件。在settings.py文件中添加如下设置ROBOTSTXT_OBEY False DUPEFILTER_CLASS scrapy_redis.dupefilter.RFPDupeFilter SCHEDULER scrapy_redis.scheduler.Scheduler SCHEDULER_PERSIST True SCHEDULER_QUEUE_CLASS scrapy_redis.queue.SpiderPriorityQueue #处理重定向 MEDIA_ALLOW_REDIRECTS True DEFAULT_REQUEST_HEADERS { #添加请求头 Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8, Accept-Language: en, User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36, referer: https://m.fang.com/zf/bj/?jhtypezf, authority: m.fang.com, x-requested-with: XMLHttpRequest, sec-fetch-mode: cors, sec-fetch-site: same-origin } ITEM_PIPELINES { fangtianxia.pipelines.FangtianxiaPipeline: 300,#自己编写的pipeline scrapy_redis.pipelines.RedisPipeline: 400 } DOWNLOAD_DELAY 1 LOG_LEVEL DEBUG REDIS_HOST 127.0.0.1#这个端口号可以直接在spiders的py文件中添置 REDIS_PORT 6379#这个端口号可以直接在spiders的py文件中添置自定义items.pyclass FangtianxiaItem(scrapy.Item): # define the fields for your item here like: # name scrapy.Field() text scrapy.Field() dizhi scrapy.Field() zujin scrapy.Field() faxing scrapy.Field()爬取子链接的py文件zufang.py# -*- coding: utf-8 -*- import scrapy import redis from scrapy_redis.spiders import RedisSpider from ..settings import REDIS_HOST,REDIS_PORT import re class ZufangSpider(RedisSpider): name zufang # allowed_domains [fang.com] # start_urls [http://fang.com/] base_url https://m.fang.com/zf/?purpose%D7%A1%D5%ACnotGetPurpose1city%B9%E3%D6%DDrenttypeczczfaajaxGetListcitygzr0.0021985656734149206page redis_key fangtianxia:start_urls #连接到redis pool redis.ConnectionPool(hostREDIS_HOST,port REDIS_PORT,db0) redis redis.StrictRedis(connection_poolpool) for index in range(1,1000): start_url base_url str(index) redis.lpush(fangtianxia:start_urls,start_url) def parse(self, response): res response.text domainurl https://m.fang.com/zf/gz/ results re.findall(ra.*?href\\(.*?), res) # 提取子搜索页面 https://m.fang.com/zf/gz/FAGT_241762951.html for result in results: result result.split(/)[-1] href domainurl result # 拼接子url print({href:href}) self.redis.rpush(fangtianxia:house_urls,href)解析页面的文件zufang1.pyfrom scrapy_redis.spiders import RedisSpider from ..items import FangtianxiaItem class FangtianxiaSpider(RedisSpider): name fangtianxia_down redis_key fangtianxia:house_urls def parse(self,response): item FangtianxiaItem() item[text] response.xpath(/html/body/div[3]/div[1]/section[3]/div[2]/ul/li[1]/p/text()).get() item[dizhi] response.xpath(/html/body/div[3]/div[1]/section[4]/ul/li[2]/a/span/text()).get() item[zujin] response.xpath(/html/body/div[3]/div[1]/section[2]/div[1]/p/span[1]/text()).get() item[faxing] response.xpath(/html/body/div[3]/div[1]/section[2]/div[2]/ul/li[2]/p/text()).get() yield item启动文件 start.pyfrom scrapy import cmdline cmdline.execute(scrapy crawl fangtianxia_down.split())启动文件只能跑一个代码另一个代码须放在Terminal终端运行。python zufang.py在redis数据库中可以看到保存的数据将redis数据中保存的Item信息存储到mongodb中import json,redis,pymongo def main(): rediscli redis.StrictRedis(host127.0.0.1,port6379,db0) mongocli pymongo.MongoClient(hostlocalhost,port27017) db mongocli[zufang] sheet db[info] offset 0 while True: source,data rediscli.blpop([fangtianxia_down:items])#读取的数据为bytes类型 item json.loads(data.decode(utf8))#item转化为字典类型 print(type(item)) print(source) if item[text] ! None:#将值为空的信息滤掉 sheet.insert(item) offset 1 print(offset) try: print(Processing:%s%item) except KeyError: print(Error proceding: %s % item) else: continue if __name__ __main__: main()此篇爬虫主要参考这个https://www.jianshu.com/p/ba67094d2813感谢作者

相关新闻

实现装饰器模式的前提:子类中覆写父类同名方法时,父类方法仍是有效的

实现装饰器模式的前提:子类中覆写父类同名方法时,父类方法仍是有效的

今天看了装饰器模式,有一些理解,记录一下。调用过程的理解:调用过程中一直压栈,直到dress为空时开始出栈。核心思想是方法覆写和父类方法调用。抽象类public abstract class Dress{protected Dress dress;public void setDress(Dr…

2026/10/27 2:35:03 阅读更多 →
ssm整合时报错java.lang.ClassNotFoundException:org.springframework.web.bind.MissingMatrixVariableException

ssm整合时报错java.lang.ClassNotFoundException:org.springframework.web.bind.MissingMatrixVariableException

有可能是spring-web与spring-webmvc这两个包发生冲突,我删除spring-web这个包就可以了

2026/11/5 12:23:41 阅读更多 →
从零手撕Transformer:自注意力机制与PyTorch实现详解

从零手撕Transformer:自注意力机制与PyTorch实现详解

理解 Transformer 的核心原理是进入现代大模型世界的钥匙。无论是想深入理解 ChatGPT、GPT-4 等大语言模型,还是想学习 Vision Transformer、Swin Transformer 等视觉模型,亦或是想自己动手实现一个简易的 Transformer,都绕不开对其基础架构和核心思想的透彻掌握。本文将从零…

2026/11/1 12:29:45 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/4 1:35:24 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/5 1:08:50 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/3 11:35:49 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/4 6:23:50 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/5 0:54:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/4 19:19:54 阅读更多 →

日新闻

周新闻

月新闻