《大数据导论》课件——3.5.4 Scrapy爬虫实战.pptx

大数据导论

Scrapy爬虫实战————数据采集

实战题目：2021年GZ-2021041大数据技术与应用赛项赛题6月13日更新，任务书-5，模块B：数据采集与处理.全国职业院校技能大赛“大数据技术与应用”赛项模块B：数据采集与处理Scrapy实战说明

任务说明任务一：获取“配送平台”页面相关数据自行创建Scrapy工程编写工程代码，获取“配送平台”页面相关数据，通过工程代码分页获取，将使用re解析分页链接的程序源代码复制粘贴至对应报告中。

任务二：获取“店铺运营数据”页面相关数据编写工程代码，获取“店铺运营数据”页面相关数据，通过工程代码分页获取，将使用re解析分页链接的程序源代码复制粘贴至对应报告中。任务说明

任务三：将获取数据存入json文件运行代码，爬取“配送平台”页面与“店铺运营数据”页面数据分别至restaurant_data.json与grey_test.json文件。任务说明

源码分析任务一：根据任务描述，需要获取“配送平台”页面相关数据，即“配送平台”页面的表格中的所有数据，且分页页面也需要爬取。分析源码后，发现表格数据在HTML的如下节点内。tablecellspacing=0cellpadding=0border=0class=el-table__bodystyle=width:100%/table其对应的页面xpath路径是：//table[@cellspacing=0]每一行数据对应的xpath路径是：//table[@cellspacing=0]//tr[@class=el-table__row]第一项数据在每一行中，对应的xpath路径是：./td[@class=el-table_2_column_10is-center][1]/div[@class=cell]/text()

源码分析任务二：根据任务描述，需要获取“店铺运营数据”页面相关数据，即“店铺运营数据”页面的表格中的所有数据，且分页页面也需要爬取。分析源码后，发现“店铺运营数据”页面源代码结构与任务一“配送平台”的结构一致。

源码分析分页链接：任务一与任务二都涉及到页面分页爬取的要求。分析网页html源码可知，下一页的链接在如下节点之后：ulclass=elrliclass=numberactive/li利用正则表达式提取：active.*\s+?liclass=numberahref=(.*html)

重写构造请求由于不是单页面数据采集，需要分次根据页面实际下一页链接进行爬取。因此需要重写Scrapy框架的start_requests方法，重写方法如下：其中，scrapy.Request中的callback参数是指回调方法，用于将响应的报文进行解析处理。

任务实现--items.py1、任务一item模型：2、任务二item模型

任务实现--Spiders/food.py3、爬虫核心代码展示：

任务实现--pipelines.py4、管道文件核心代码展示：

谢谢观看