标签:分类 模拟 spider 代码 协议 spi htm 运行 url
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
团队成员:张文然,张宸
标签:分类 模拟 spider 代码 协议 spi htm 运行 url
原文地址:http://www.cnblogs.com/aa11/p/7491046.html