scrapy实践之翻页爬取

欢迎关注”生信修炼手册”!

在scrawww.yii666.compy框架中，spider具有以下几个功能

1. 定义初始爬取的url

2. 定义爬取的行为，是否跟进链接

3. 从网页中提取结构化数据

所谓的跟进链接，其实就是自动爬取该页的所有链接，然后顺着对应的链接延伸开来不断爬取，这样只需要提供一个网站首页，理论上就可以实现网站全部页面的爬取，实现点到面的功能。

如果自己来开发，不仅需要在算法层面，考虑是使用深度优先还是广度优先，还需要处理好提取的url的限制条件等细节工作。在scrapy中，开发过程被大大简化了，我们只需要定义以下几个关键部分的代码，就可以实现翻页效果。

1. Spider

核心思想是在parse方法中，返回新的Requests请求，代码如下

importscrapy
fromhello_world.items importHelloWorldItem
classM文章来源地址36689.htmlirSpider(scrapy.Spider):
name = "MirSpider"
start_urls = ["http://mirtarbase.cuhk.edu.cn/php/search.php?opt=species&org=bta&sort=id&order=asc&page=1"]
defparse(self, response):
domai文章来源站点https://www.yii666.com/n = 'http://mirtarbase.cuhk.edu.cn'
forrow inresponse.xpath('//table/tr'):
item = HelloWorldItem()
res = []
forcol in(row.xpath('td/text()')):
res.append(col.extract())
ifres[0] != 'Bos taurus':
continue
item['species'] = res[0]
item['miRNA'] = res[2]
item['target'] = res[3]
item['total'] = res[4]
item['papers'] = res[5]
yielditem
forurl inresponse.x文章来源地址36689.htmlpath('//a/@href').extract():
if'page'inurl:
url = domain + url
yieldscrapy.Request(url, callback = self.parse, dont_filter = False)

关键代码是最后几行的for循环，在start_urls中，我们只提供了一个初识的url，在parse方法中，除了常规的返回结构性数据item外，我们还返回了新的requests请求，首先提取页面上所有的url, 并对url的链接进行了限制，对需要爬取的url链接以Request的方法进行返回，注意dont_filter的设置，当设置为False时，会调用scrapy默认的url去重机制，这样不会重复下载。

2. Item Pipeline

对于下载的item,有些会出现重复的现象，此时可以在pipelines.py中，对item进行操作，实现item去重的代码如下

from itemadapter import ItemAdapter
classHelloWorldPipeline:
def__init__(self):
self.link_set = set()
defprocess_item(self, item, spider):
link = item['miRNA'] + item['target']
iflink inself.link_set:
raise DropItem(item)
self.link_set.add(link)
returnitem

在process_item方法中，通过一个set对象来达到去重的效果。需要注意，默认pipelines是没有开启的，编写完代码之后，需要在settings.py中进行配置，开启对应的pipeline, 内容如下

ITEM_PIPELINES = {
'hello_world.pipelines.HelloWorldPipeline': 300,
}

对于标准的多页表格数据，采用上述的代码可以轻松实现翻页效果，非常的方便。

end

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。

更多精彩

• KEGG数据库，除了pathway你还知道哪些




• 全网最完整的circos中文教程




• DNA甲基化数据分析专题




• 突变检测数据分析专题




• mRNA数据分析专题




• lncRNA数据分析专题




• circRNA数据分析专题




• miRNA数据分析专题




• 单细胞转录组数据分析专题




• chip_seq数据分析专题




• Hi-www.yii666.comC数据分析专题




• HLA数据分析专题




• TCGA肿瘤数据分析专题




• 基因组组装数据分析专题




• CNV数据分析专题




• GWAS数据分析专题




• 2018年推文合集




• 2019年推文合集

写在最后

转发本文至朋友圈，后台私信截图即可加入生信交流群，和小伙伴一起学习交流。

扫描下方二维码，关注我们，解锁更多精彩内容！

一个只分享干货的

生信公众号