diff --git a/ReadMe.md b/ReadMe.md index d07d64ed..abb10cb7 100644 --- a/ReadMe.md +++ b/ReadMe.md @@ -1,258 +1,301 @@ -# [Python入门网络爬虫之精华版 ](https://github.com/lining0806/PythonSpiderNotes) - -*** - -Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储** - -另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也详细介绍一下。 - -首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫需要的基本概念和技巧：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/) -*** - -当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入[http://www.lining0806.com/](http://www.lining0806.com/)，你就会看到宁哥的小站首页。 - -简单来说这段过程发生了以下四个步骤： - -* 查找域名对应的IP地址。 -* 向IP对应的服务器发送请求。 -* 服务器响应请求，发回网页内容。 -* 浏览器解析网页内容。 - -网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。 - -## 抓取 -这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。 - -#### 1. 最基本的抓取 - -抓取大多数情况属于get请求，即直接从对方服务器上获取数据。 - -首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，[requests](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。 - -``` -Requests： - import requests - response = requests.get(url) - content = requests.get(url).content - print "response headers:", response.headers - print "content:", content -Urllib2： - import urllib2 - response = urllib2.urlopen(url) - content = urllib2.urlopen(url).read() - print "response headers:", response.headers - print "content:", content -Httplib2： - import httplib2 - http = httplib2.Http() - response_headers, content = http.request(url, 'GET') - print "response headers:", response_headers - print "content:", content -``` - -此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。 - -``` -data = {'data1':'XXXXX', 'data2':'XXXXX'} -Requests：data为dict，json - import requests - response = requests.get(url=url, params=data) -Urllib2：data为string - import urllib, urllib2 - data = urllib.urlencode(data) - full_url = url+'?'+data - response = urllib2.urlopen(full_url) -``` - -相关参考：[网易新闻排行榜抓取回顾](http://www.lining0806.com/%E7%BD%91%E6%98%93%E6%96%B0%E9%97%BB%E6%8E%92%E8%A1%8C%E6%A6%9C%E6%8A%93%E5%8F%96%E5%9B%9E%E9%A1%BE/) - -参考项目：[网络爬虫之最基本的爬虫：爬取网易新闻排行榜](https://github.com/lining0806/PythonSpiderNotes/tree/master/NewsSpider) - -### 2. 对于登陆情况的处理 - -**2.1 使用表单登陆** - -这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。 - -``` -data = {'data1':'XXXXX', 'data2':'XXXXX'} -Requests：data为dict，json - import requests - response = requests.post(url=url, data=data) -Urllib2：data为string - import urllib, urllib2 - data = urllib.urlencode(data) - req = urllib2.Request(url=url, data=data) - response = urllib2.urlopen(req) -``` - -**2.2 使用cookie登陆** - -使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。 - -``` -import requests -requests_session = requests.session() -response = requests_session.post(url=url_login, data=data) -``` - -若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下： - -``` -response_captcha = requests_session.get(url=url_login, cookies=cookies) -response1 = requests.get(url_login) # 未登陆 -response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！ -response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！ -``` - -相关参考：[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/) - -参考项目：[网络爬虫之用户名密码及验证码登陆：爬取知乎网站](https://github.com/lining0806/PythonSpiderNotes/tree/master/ZhihuSpider) - -### 3. 对于反爬虫机制的处理 - -**3.1 使用代理** - -适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。 - -这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。 - -``` -proxies = {'http':'http://XX.XX.XX.XX:XXXX'} -Requests： - import requests - response = requests.get(url=url, proxies=proxies) -Urllib2： - import urllib2 - proxy_support = urllib2.ProxyHandler(proxies) - opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) - urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象 - response = urllib2.urlopen(url) -``` - -**3.2 时间设置** - -适用情况：限制频率情况。 - -Requests，Urllib2都可以使用time库的sleep()函数： - -``` -import time -time.sleep(1) -``` - -**3.3 伪装成浏览器，或者反“反盗链”** - -有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。 - -``` -headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站 -headers = {'Referer':'XXXXX'} -headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'} -Requests： - response = requests.get(url=url, headers=headers) -Urllib2： - import urllib, urllib2 - req = urllib2.Request(url=url, headers=headers) - response = urllib2.urlopen(req) -``` - -### 4. 对于断线重连 - -不多说。 - -``` -def multi_session(session, *arg): - retryTimes = 20 - while retryTimes>0: - try: - return session.post(*arg) - except: - print '.', - retryTimes -= 1 -``` - -或者 - -``` -def multi_open(opener, *arg): - retryTimes = 20 - while retryTimes>0: - try: - return opener.open(*arg) - except: - print '.', - retryTimes -= 1 -``` - -这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。 - -### 5. 多进程抓取 - -这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行并行抓取的实验对比：[Python多进程抓取](https://github.com/lining0806/PythonSpiderNotes/tree/master/Spider_Python) 与 [Java单线程和多线程抓取](https://github.com/lining0806/PythonSpiderNotes/tree/master/Spider_Java) - -相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/) - -### 6. 对于Ajax请求的处理 - -对于“加载更多”情况，使用Ajax来传输很多数据。 - -它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。 - -这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。 - -* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。 -* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。 - -### 7. 自动化测试工具Selenium - -Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。 - -这里列出在给定城市列表后，使用selenium来动态抓取[去哪儿网](http://flight.qunar.com/)的票价信息的代码。 - -参考项目：[网络爬虫之Selenium使用代理登陆：爬取去哪儿网站](https://github.com/lining0806/PythonSpiderNotes/tree/master/QunarSpider) - -### 8. 验证码识别 - -对于网站有验证码的情况，我们有三种办法： - -* 使用代理，更新IP。 -* 使用cookie登陆。 -* 验证码识别。 - -使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。 - -可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。 - -参考项目：[验证码识别项目第一版：Captcha1](https://github.com/lining0806/PythonSpiderNotes/tree/master/Captcha1) - -**爬取有两个需要注意的问题：** - -* 如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？ -* 对于海量数据，如何实现分布式爬取？ - -## 分析 - -抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。 - -常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。 - -## 存储 - -分析出我们需要的内容之后，接下来就是存储了。 - -我们可以选择存入文本文件，也可以选择存入[MySQL](http://www.mysql.com/)或[MongoDB](https://www.mongodb.org/)数据库等。 - -**存储有两个需要注意的问题：** - -* 如何进行网页去重？ -* 内容以什么形式存储？ - - -## Scrapy - -Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。 - -相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)，同时给出这篇文章介绍的[微信搜索](http://weixin.sogou.com/weixin)爬取的项目代码，给大家作为学习参考。 - -参考项目：[使用Scrapy或Requests递归抓取微信搜索结果](https://github.com/lining0806/PythonSpiderNotes/tree/master/WechatSearchProjects) +# [Python入门网络爬虫之精华版](https://github.com/lining0806/PythonSpiderNotes) + +*** + +Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储** + +另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也详细介绍一下。 + +首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫需要的基本概念和技巧：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/) +*** + +当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入[http://www.lining0806.com/](http://www.lining0806.com/)，你就会看到宁哥的小站首页。 + +简单来说这段过程发生了以下四个步骤： + +* 查找域名对应的IP地址。 +* 向IP对应的服务器发送请求。 +* 服务器响应请求，发回网页内容。 +* 浏览器解析网页内容。 + +网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。 + +## 抓取 +这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。 + +#### 1. 最基本的抓取 + +抓取大多数情况属于get请求，即直接从对方服务器上获取数据。 + +首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，[requests](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。 + +``` +Requests： + import requests + response = requests.get(url) + content = requests.get(url).content + print "response headers:", response.headers + print "content:", content +Urllib2： + import urllib2 + response = urllib2.urlopen(url) + content = urllib2.urlopen(url).read() + print "response headers:", response.headers + print "content:", content +Httplib2： + import httplib2 + http = httplib2.Http() + response_headers, content = http.request(url, 'GET') + print "response headers:", response_headers + print "content:", content +``` + +此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。 + +``` +data = {'data1':'XXXXX', 'data2':'XXXXX'} +Requests：data为dict，json + import requests + response = requests.get(url=url, params=data) +Urllib2：data为string + import urllib, urllib2 + data = urllib.urlencode(data) + full_url = url+'?'+data + response = urllib2.urlopen(full_url) +``` + +相关参考：[网易新闻排行榜抓取回顾](http://www.lining0806.com/%E7%BD%91%E6%98%93%E6%96%B0%E9%97%BB%E6%8E%92%E8%A1%8C%E6%A6%9C%E6%8A%93%E5%8F%96%E5%9B%9E%E9%A1%BE/) + +参考项目：[网络爬虫之最基本的爬虫：爬取网易新闻排行榜](https://github.com/lining0806/PythonSpiderNotes/blob/master/NewsSpider) + +### 2. 对于登陆情况的处理 + +**2.1 使用表单登陆** + +这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。 + +``` +data = {'data1':'XXXXX', 'data2':'XXXXX'} +Requests：data为dict，json + import requests + response = requests.post(url=url, data=data) +Urllib2：data为string + import urllib, urllib2 + data = urllib.urlencode(data) + req = urllib2.Request(url=url, data=data) + response = urllib2.urlopen(req) +``` + +**2.2 使用cookie登陆** + +使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。 + +``` +import requests +requests_session = requests.session() +response = requests_session.post(url=url_login, data=data) +``` + +若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下： + +``` +response_captcha = requests_session.get(url=url_login, cookies=cookies) +response1 = requests.get(url_login) # 未登陆 +response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！ +response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！ +``` + +相关参考：[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/) + +参考项目：[网络爬虫之用户名密码及验证码登陆：爬取知乎网站](https://github.com/lining0806/PythonSpiderNotes/blob/master/ZhihuSpider) + +### 3. 对于反爬虫机制的处理 + +**3.1 使用代理** + +适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。 + +这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。 + +``` +proxies = {'http':'http://XX.XX.XX.XX:XXXX'} +Requests： + import requests + response = requests.get(url=url, proxies=proxies) +Urllib2： + import urllib2 + proxy_support = urllib2.ProxyHandler(proxies) + opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) + urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象 + response = urllib2.urlopen(url) +``` + +**3.2 时间设置** + +适用情况：限制频率情况。 + +Requests，Urllib2都可以使用time库的sleep()函数： + +``` +import time +time.sleep(1) +``` + +**3.3 伪装成浏览器，或者反“反盗链”** + +有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。 + +``` +headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站 +headers = {'Referer':'XXXXX'} +headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'} +Requests： + response = requests.get(url=url, headers=headers) +Urllib2： + import urllib, urllib2 + req = urllib2.Request(url=url, headers=headers) + response = urllib2.urlopen(req) +``` + +### 4. 对于断线重连 + +不多说。 + +``` +def multi_session(session, *arg): + retryTimes = 20 + while retryTimes>0: + try: + return session.post(*arg) + except: + print '.', + retryTimes -= 1 +``` + +或者 + +``` +def multi_open(opener, *arg): + retryTimes = 20 + while retryTimes>0: + try: + return opener.open(*arg) + except: + print '.', + retryTimes -= 1 +``` + +这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。 + +### 5. 多进程抓取 + +这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行并行抓取的实验对比：[Python多进程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Python) 与 [Java单线程和多线程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Java) + +相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/) + +### 6. 对于Ajax请求的处理 + +对于“加载更多”情况，使用Ajax来传输很多数据。 + +它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。 + +这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。 + +* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。 +* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。 + +### 7. 自动化测试工具Selenium + +Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。 + +这里列出在给定城市列表后，使用selenium来动态抓取[去哪儿网](http://flight.qunar.com/)的票价信息的代码。 + +参考项目：[网络爬虫之Selenium使用代理登陆：爬取去哪儿网站](https://github.com/lining0806/PythonSpiderNotes/blob/master/QunarSpider) + +### 8. 验证码识别 + +对于网站有验证码的情况，我们有三种办法： + +* 使用代理，更新IP。 +* 使用cookie登陆。 +* 验证码识别。 + +使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。 + +可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。 + +参考项目：[验证码识别项目第一版：Captcha1](https://github.com/lining0806/PythonSpiderNotes/blob/master/Captcha1) + +**爬取有两个需要注意的问题：** + +* 如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？ +* 对于海量数据，如何实现分布式爬取？ + +## 分析 + +抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。 + +常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。 + +## 存储 + +分析出我们需要的内容之后，接下来就是存储了。 + +我们可以选择存入文本文件，也可以选择存入[MySQL](http://www.mysql.com/)或[MongoDB](https://www.mongodb.org/)数据库等。 + +**存储有两个需要注意的问题：** + +* 如何进行网页去重？ +* 内容以什么形式存储？ + + +## Scrapy + +Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。 + +相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)，同时给出这篇文章介绍的[微信搜索](http://weixin.sogou.com/weixin)爬取的项目代码，给大家作为学习参考。 + +参考项目：[使用Scrapy或Requests递归抓取微信搜索结果](https://github.com/lining0806/PythonSpiderNotes/blob/master/WechatSearchProjects) + +## Robots协议 + +好的网络爬虫，首先需要遵守**Robots协议**。Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。 + +在网站根目录下放一个robots.txt文本文件（如 https://www.taobao.com/robots.txt ），里面可以指定不同的网络爬虫能访问的页面和禁止访问的页面，指定的页面由正则表达式表示。网络爬虫在采集这个网站之前，首先获取到这个robots.txt文本文件，然后解析到其中的规则，然后根据规则来采集网站的数据。 + +### 1. Robots协议规则 + + User-agent: 指定对哪些爬虫生效 + Disallow: 指定不允许访问的网址 + Allow: 指定允许访问的网址 + +注意: 一个英文要大写，冒号是英文状态下，冒号后面有一个空格，"/"代表整个网站 + +### 2. Robots协议举例 + + 禁止所有机器人访问 + User-agent: * + Disallow: / + 允许所有机器人访问 + User-agent: * + Disallow: + 禁止特定机器人访问 + User-agent: BadBot + Disallow: / + 允许特定机器人访问 + User-agent: GoodBot + Disallow: + 禁止访问特定目录 + User-agent: * + Disallow: /images/ + 仅允许访问特定目录 + User-agent: * + Allow: /images/ + Disallow: / + 禁止访问特定文件 + User-agent: * + Disallow: /*.html$ + 仅允许访问特定文件 + User-agent: * + Allow: /*.html$ + Disallow: / \ No newline at end of file diff --git a/WechatSearchProjects/Wechatproject/Wechatproject/pipelines.py b/WechatSearchProjects/Wechatproject/Wechatproject/pipelines.py index 7bf76f23..1c93d38a 100644 --- a/WechatSearchProjects/Wechatproject/Wechatproject/pipelines.py +++ b/WechatSearchProjects/Wechatproject/Wechatproject/pipelines.py @@ -18,7 +18,7 @@ # host = "localhost", # db = "testwechat", # you must build database named testwechat # user = "root", -# passwd = "fireling", +# passwd = "testpasswd", # charset = "utf8") # # pipeline default function # def process_item(self, item, spider): @@ -37,7 +37,7 @@ class WechatprojectPipeline(object): def __init__(self): connection = pymongo.Connection(host = "localhost", port = 27017) db = connection["testwechat"] # you need no build database named testdouban - # db.authenticate(name = "root", password = "fireling") # no name and password for localhost + # db.authenticate(name = "root", password = "testpasswd") # no name and password for localhost self.posts = db["result"] # you need not build collection named book # pipeline default function def process_item(self, item, spider):