标签:网页 网站 模拟 pid 运行 通过 spider 爬取 应该
首先要明白爬网页实际上就是:
找到包含我们需要的信息的网址(URL)列表
通过 HTTP 协议把页面下载回来
从页面的 HTML 中解析出需要的信息
找到更多这个的 URL,回到 2 继续
其次还要明白:
一个好的列表应该:
包含足够多的电影的 URL
通过翻页,可以遍历到所有的电影
一个按照更新时间排序的列表,可以更快抓到最新更新的电影
最后模拟过程知道豆瓣网站不能一次性爬取所有信息,只能分类爬取
使用工具pyspider
分析完成实现代码,测试模拟运行,按照时间列表爬取每类最新电影资讯
代码分解,便于加入团队后组员理解代码
团队成员:张文然,张宸
团队-张文然-需求分析-python爬虫分类爬取豆瓣电影信息
标签:网页 网站 模拟 pid 运行 通过 spider 爬取 应该
原文地址:http://www.cnblogs.com/zwran/p/7491123.html