網頁抓取工具:PyRailgun
這是一個非常簡單易用的抓取工具
怎么使用? 首先你需要創建一個對應站點的規則文件 比如testsite.yaml
action: main name: "vc動漫" subaction: - action: fetcher url: http://www.verycd.com/base/cartoon/page${1,1}${0,9} subaction: - action: parser rule: .entry_cover_list li subaction: - action: shell group: default subaction: - {action: parser, rule: '.entry_cover .cover_img', setField: img} - {action: parser, rule: 'a', pos: 0, attr: href, setField: src} - {action: parser, strip: 'true', rule: '.entry_cover .score', setField: score} - {action: parser, rule: '.bio a', setField: dest} - action: fetcher url: http://www.verycd.com${#src} subaction: - {action: parser,strip: 'true', rule: '#contents_more', setField: description}
然后在代碼里面把它作為一個任務加入到railgun
from railgun import RailGun railgun = RailGun() railgun.setTask(file("testsite.yaml")); railgun.fire(); nodes = railgun.getShells('default') print nodes
然后你就可以得到一個包含了所有解析后數據的節點列表 [{img:xxx,src:xxx,score:xxx,dest:xxx,description:xxx},{img:xxx,src:xxx,score:xxx,dest:xxx,description:xxx}]
本文由用戶 jopen 自行上傳分享,僅供網友學習交流。所有權歸原作者,若您的權利被侵害,請聯系管理員。
轉載本站原創文章,請注明出處,并保留原始鏈接、圖片水印。
本站是一個以用戶分享為主的開源技術平臺,歡迎各類分享!