Go 设计模式-装饰器模式

饰模式使用对象组合的方式动态改变或增加对象行为。Go语言借助于匿名组合和非入侵式接口可以很方便实现装饰模式。使用匿名组合，在装饰器中不必显式定义转调原对象方法。

设计模式

在这里插入图片描述

装饰器模式

装饰器模式主要解决继承关系过于复杂的问题，通过组合来代替继承，给原始类添加增强功能，这也是判断装饰器的一个重要依据，除此之外，装饰器还有一个特点，可以对原始类嵌套使用多个装饰器，为了满足这样的需求，在设计的时候，装饰器类需要跟原始继承同步的抽象类或者接口。

Java IO 通过4个基类，扩展出很多子类，具体如下：

装饰器模式相对于简单的组合关系，有如下特殊点：

装饰器类和原始类继承相同的父类，我们可以对原始类嵌套多个装饰器类。
装饰器类是对功能的增强，这也是装饰器模式应用场景的一个重要特点。

应用场景

在不影响其他对象的情况下，以动态、透明的方式给单个对象添加职责。
需要动态地给一个对象增加功能，这些功能也可以动态地被撤销。当不能采用继承的方式对系统进行扩充或者采用继承不利于系统扩展和维护时。

代码

package decorator

type Component interface {
 Calc() int
}

type ConcreteComponent struct{}

func (*ConcreteComponent) Calc() int {
 return 0
}

type MulDecorator struct {
 Component
 num int
}

func WarpMulDecorator(c Component, num int) Component {
 return &MulDecorator{
  Component: c,
  num:       num,
 }
}

func (d *MulDecorator) Calc() int {
 return d.Component.Calc() * d.num
}

type AddDecorator struct {
 Component
 num int
}

func WarpAddDecorator(c Component, num int) Component {
 return &AddDecorator{
  Component: c,
  num:       num,
 }
}

func (d *AddDecorator) Calc() int {
 return d.Component.Calc() + d.num
}

测试用例

package decorator

import (
 "fmt"
 "testing"
)

func TestExampleDecorator(t *testing.T) {
 var c Component = &ConcreteComponent{}
 c = WarpAddDecorator(c, 10)
 c = WarpMulDecorator(c, 8)
 res := c.Calc()

 fmt.Printf("res %d\n", res)
 // Output:
 // res 80
}

运行结果

=== RUN   TestExampleDecorator
res 80
--- PASS: TestExampleDecorator (0.00s)
PASS

欢迎关注: 程序员开发者社区

在这里插入图片描述

参考资料

https://github.com/senghoo/golang-design-pattern
https://tech.meituan.com/2020/03/19/design-pattern-practice-in-marketing.html
https://juejin.cn/post/6844903861908406280

言：

LDAP轻量目录访问协议为用户管理提供了统一认证服务，解决了长期存在的多套用户认证系统孤立、繁杂、难以维护的问题。具有简捷、高效、易用的特性，是用户认证管理的不二选择。

一、简介

LDAP（Lightweight Directory Access Protocol）是基于X.500标准的轻量目录访问协议。它比X.500具有更快的查询速度和更低的资源消耗，精简灵活，支持TCP/IP协议。LDAP为用户管理提供了统一认证服务，解决了办公环境中多套用户认证和项目管理系统相互独立分散的难题。

OpenLDAP 是LDAP的开源实现，OpenLDAP目录中的信息是按照树形结构进行组织的，具体信息存储在条目（entry）中，条目是LDAP的基本元素，也是识别名（DN）的属性集合，DN 具有全局唯一性，用于准确地引用条目，每个条目属性又包含类型（type）和值（value）。整体架构如图所示：

二、快速安装

系统环境：CentOS7.3

主机名：openldap

系统IP：172.16.201.6

管理账户信息：dn:cn=Manager,dc=mydomain,dc=com

部署时，可根据实际需求更改以上信息。

2.1.环境准备

OpenLDAP正式部署前，首先对linux系统环境进行如下准备配置，以满足OpenLDAP安装运行需求。

1.设置主机名：

hostnamectl set-hostname openldap

主机名可自行设置成任意名字，只需将openldap设置为更改的主机名即可。

2.关闭防火墙和selinux

systemctl stop firewalld
systemctl disable firewalld
sed -i "s/SELINUX=enforcing/SELINUX=disabled/g" /etc/selinux/config

3.配置epel源，配置完成后重启服务器，以使相关配置生效

yum install epel-release -y
reboot

2.2.OpenLDAP安装

1.安装ldap相关组件

yum install openldap openldap-servers openldap-clients -y
cp /usr/share/openldap-servers/DB_CONFIG.example /var/lib/ldap/DB_CONFIG

2.启动ldap服务

systemctl start slapd
systemctl enable slapd
systemctl status slapd

slapd即ldap的服务名称

3.设置ldap管理员用户密码

slappasswd -s 111111
{SSHA}AjIAg98NFvRRlhoBOvsfVqMeAGZwi5O9

本次设置密码为111111，若需要其他密码直接更改该值即可。记录执行结果的返回值{SSHA}AjIAg98NFvRRlhoBOvsfVqMeAGZwi5O9,并将该值写入到后边生成的rootpwd.ldif文件中。

4.创建管理员用户配置文件rootpwd.ldif

cat <<EOF>rootpwd.ldif
dn: olcDatabase={0}config,cn=config
changetype: modify
add: olcRootPW
olcRootPW: {SSHA}AjIAg98NFvRRlhoBOvsfVqMeAGZwi5O9
EOF

相关参数说明：

olcRootPW参数值为slappasswd命令的结果输出。

olcRootPW: {SSHA}AjIAg98NFvRRlhoBOvsfVqMeAGZwi5O9指定了属性值。

ldif文件是LDAP中数据交换的文件格式。文件内容采用的是key-value形式。注意value后面不能有空格。

olc（OnlineConfiguration）表示写入LDAP后立即生效。

changetype: modify表示修改entry，此外changetype的值也可以是add,delete等。

add: olcRootPW表示对这个entry新增olcRootPW的属性。

5.导入rootpwd.ldif信息

ldapadd -Y EXTERNAL -H ldapi:/// -f rootpwd.ldif

6.导入schema

schema包含支持特殊场景的相关属性，可选择性导入或全部导入

ls /etc/openldap/schema/*.ldif | while read i; do ldapadd -Y EXTERNAL -H ldapi:/// -f $i; done

7.设置默认域

slappasswd -s 111111
{SSHA}7AA7V1xy++LVZcUbBWYYM9/81wfODiIK

本次设置密码为111111，若需要其他密码直接更改该值即可。记录执行结果的

返回值{SSHA}7AA7V1xy++LVZcUbBWYYM9/81wfODiIK

8.新建默认域配置文件

vi domain.ldif
dn: olcDatabase={1}monitor,cn=config
changetype: modify
replace: olcAccess
olcAccess: {0}to * by dn.base="gidNumber=0+uidNumber=0,cn=peercred,cn=external,cn=auth" 
read by dn.base="cn=Manager,dc=mydomain,dc=com" read by * none

dn: olcDatabase={2}hdb,cn=config
changetype: modify
replace: olcSuffix
olcSuffix: dc=mydomain,dc=com

dn: olcDatabase={2}hdb,cn=config
changetype: modify
replace: olcRootDN
olcRootDN: cn=Manager,dc=mydomain,dc=com

dn: olcDatabase={2}hdb,cn=config
changetype: modify
add: olcRootPW
olcRootPW: {SSHA}7AA7V1xy++LVZcUbBWYYM9/81wfODiIK

dn: olcDatabase={2}hdb,cn=config
changetype: modifyadd: olcAccess
olcAccess: {0}to attrs=userPassword,shadowLastChange by 
dn="cn=Manager,dc=mydomain,dc=com" write by anonymous auth by self write by * none
olcAccess: {1}to dn.base="" by * read
olcAccess: {2}to * by dn="cn=Manager,dc=mydomain,dc=com" write by * read

设置 olcRootPW参数值为slappwd命令的返回结果：{SSHA}7AA7V1xy++LVZcUbBWYYM9/81wfODiIK

9.写入信息

ldapmodify -Y EXTERNAL -H ldapi:/// -f domain.ldif

10.添加基本信息

cat <<EOF> basedomain.ldif
dn: dc=mydomain,dc=com
objectClass: top
objectClass: dc
Objectobjectclass: organization
o: mydomain com
dc: mydomain

dn: cn=Manager,dc=mydomain,dc=com
objectClass: organizationalRole
cn: Manager
description: Directory Manager

dn: ou=People,dc=mydomain,dc=com
objectClass: organizationalUnit
ou: People

dn: ou=Group,dc=mydomain,dc=com
objectClass: organizationalUnit
ou: Group
EOF

11.写入信息

ldapadd -x -D cn=Manager,dc=mydomain,dc=com -W -f basedomain.ldif

12.查看信息

ldapsearch -LLL -W -x -D "cn=Manager,dc=mydomain,dc=com" -H ldap://localhost -b"dc=mydomain,dc=com"

使用如上命令进行查看时，输入访问密码为：111111.能够查看到相关返回结果为如下内容，说明OpenLDAP配置成功。可进行相关管理和使用。

[root@openldap ~]# ldapadd -x -D cn=Manager,dc=mydomain,dc=com -W -f basedomain.ldif
 Enter LDAP Password: adding new entry "dc=mydomain,dc=com"
adding new entry "cn=Manager,dc=mydomain,dc=com"
adding new entry "ou=People,dc=mydomain,dc=com"
adding new entry "ou=Group,dc=mydomain,dc=com"

三、OpenLDAP管理工具

为简化OpenLDAP使用，提高工作效率，OpenLDAP支持多种管理工具，较常用的有如下两款ldapadmin工具，可选择任意一种。

工具一：

1.可在windows电脑上下载管理工具：

http://www.ldapadmin.org/download/ldapadmin.html

2.下载完成后，解压该文件，直接双击运行，输入LDAP访问信息。

Host值为OpenLDAP节点ip地址：172.16.201.6.

Base值为：dc=mydomain,dc=com

Username值为：cn=Manager,dc=mydomain,dc=com

Password值为：111111.

其余参数为默认值。填写完成后可点击 "Test connection" 以测试是否能够正常连接。

3.连接成功后可看到OpenLDAP相关信息

之后可直接创建用户、组，或进行增、删、改操作。

工具二：

1.在OpenLDAP运行节点安装ldapadmin工具包

yum install -y httpd php php-mbstring php-pear phpldapadmin

2.修改/etc/httpd/httpd.conf配置文件

[root@www ~]# vi /etc/httpd/conf/httpd.conf
 # line 86: 修改admin邮箱地址
 ServerAdmin root@openldap.mydomain.world
# line 95: 修改主机域名
 ServerName www.mydomain.com:80
# line 152: 修改成如下内容：
 AllowOverride All
# line 165: 添加可访问目录名的文件名称
 DirectoryIndex index.html index.cgi index.php
# 在文件末尾增加如下两部分内容# server's response header
 ServerTokens Prod
# keepalive is ON
 KeepAlive On

3.启动Apache服务并设置开机自启动

systemctl start httpd
systemctl enable httpd

4.编辑/etc/phpldapadmin/config.php文件，按如下内容修改：

vi /etc/phpldapadmin/config.php
#注释掉398行，并取消397行的注释，修改后内容如下：
$servers->setValue('login','attr','dn');
// $servers->setValue('login','attr','uid');

5.编辑/etc/httpd/conf.d/phpldapadmin.conf，在第12行加入Require all granted以允许所有IP访问，被更改部分内容如下：

<Directory/usr/share/phpldapadmin/htdocs> 
 <IfModule mod_authz_core.c> 
 # Apache 2.4 
 Require local 
 Require all granted 
 </IfModule>

6.重启Apache服务使配置生效

systemctl restart httpd

7.在浏览器输入OpenLDAP访问WEB地址：http://172.16.201.6/ldapadmin/

输入登录用户名:cn=Manager,dc=mydomain,dc=com和密码:111111

8.通过认证后，可直接创建用户、组，进行增、删、改操作。

crapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。

1	pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下载即可

二、基本使用

1、创建项目

运行命令:

1	scrapy startproject p1（your_project_name）

2.自动创建目录的结果：

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

示例代码：

12345678910111213141516171819

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapy class XiaoHuarSpider(scrapy.spiders.Spider):name="xiaohuar"allowed_domains=["xiaohuar.com"]start_urls=["http://www.xiaohuar.com/hua/",] def parse(self, response):# print(response, type(response))# from scrapy.http.response.html import HtmlResponse# print(response.body_as_unicode()) current_url=response.url #爬取时请求的urlbody=response.body#返回的htmlunicode_body=response.body_as_unicode()#返回的html unicode编码

备注：

1.爬虫文件需要定义一个类，并继承scrapy.spiders.Spider
2.必须定义name，即爬虫名，如果没有name，会报错。因为源码中是这样定义的：

3.编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；
4.定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码截图：

4、运行

进入p1目录，运行命令

1	scrapy crawl xiaohau --nolog

格式：scrapy crawl+爬虫名 –nolog即不显示日志

5.scrapy查询语法：

当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：

查询子子孙孙中的某个标签(以div标签为例)：//div
查询儿子中的某个标签(以div标签为例)：/div
查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]
查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
查询某个属性的值（例如查询a标签的href属性）：//a/@href

示例代码：

12345678910111213141516171819

def parse(self, response):# 分析页面# 找到页面中符合规则的内容（校花图片），保存# 找到所有的a标签，再访问其他a标签，一层一层的搞下去 hxs=HtmlXPathSelector(response)#创建查询对象 # 如果url是 http://www.xiaohuar.com/list-1-\d+.htmlif re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url): #如果url能够匹配到需要爬取的url，即本站urlitems=hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填写查询目标，按scrapy查询语法书写for i in range(len(items)):src=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()#查询所有img标签的src属性，即获取校花图片地址name=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容，即校花姓名school=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花学校if src:ab_src="http://www.xiaohuar.com" + src[0]#相对路径拼接file_name="%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8file_path=os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)urllib.urlretrieve(ab_src, file_path)

注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。

5.递归爬取网页

上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？

示例代码：

12345

# 获取所有的url，继续访问，并在其中寻找相同的urlall_urls=hxs.select('//a/@href').extract()for url in all_urls:if url.startswith('http://www.xiaohuar.com/list-1-'):yield Request(url, callback=self.parse)

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT=1

6.scrapy查询语法中的正则：

123456789101112131415161718

from scrapy.selector import Selectorfrom scrapy.http import HtmlResponsehtml="""<!DOCTYPE html><html><head lang="en"> <meta charset="UTF-8"> <title></title></head><body> <li class="item-"><a href="link.html">first item</a></li> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li></body></html>"""response=HtmlResponse(url='http://example.com', body=html,encoding='utf-8')ret=Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()print(ret)

语法规则：Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract()，即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是”item-d*”，然后获取该标签的href属性。

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263

#!/usr/bin/env python# -*- coding:utf-8 -*- import scrapyimport hashlibfrom tutorial.items import JinLuoSiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelector class JinLuoSiSpider(scrapy.spiders.Spider):count=0url_set=set() name="jluosi"domain='http://www.jluosi.com'allowed_domains=["jluosi.com"] start_urls=["http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",] def parse(self, response):md5_obj=hashlib.md5()md5_obj.update(response.url)md5_url=md5_obj.hexdigest()if md5_url in JinLuoSiSpider.url_set:passelse:JinLuoSiSpider.url_set.add(md5_url)hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):item=JinLuoSiItem()item['company']=hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()item['link']=hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()item['qq']=hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')item['address']=hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract() item['title']=hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract() item['unit']=hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()product_list=[]product_tr=hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')for i in range(2,len(product_tr)):temp={'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),}product_list.append(temp) item['product_list']=product_listyield item current_page_urls=hxs.select('//a/@href').extract()for i in range(len(current_page_urls)):url=current_page_urls[i]if url.startswith('http://www.jluosi.com'):url_ab=urlyield Request(url_ab, callback=self.parse) 选择器规则Demo 选择器规则Demo

选择器规则Demo

12345

def parse(self, response):from scrapy.http.cookies import CookieJarcookieJar=CookieJar()cookieJar.extract_cookies(response, response.request)print(cookieJar._cookies)

获取响应cookie

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

7、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。即不同功能用不同文件实现。

items：即用户需要爬取哪些数据，是用来格式化数据，并告诉pipelines哪些数据需要保存。

示例items.py文件：

12345678910111213141516

# -*- coding: utf-8 -*- # Define here the models for your scraped items## See documentation in:# http://doc.scrapy.org/en/latest/topics/items.html import scrapy class JieYiCaiItem(scrapy.Item): company=scrapy.Field()title=scrapy.Field()qq=scrapy.Field()info=scrapy.Field()more=scrapy.Field()

即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。

上述定义模板，以后对于从请求的源码中获取的数据同样按照此结构来获取，所以在spider中需要有一下操作：

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960

#!/usr/bin/env python# -*- coding:utf-8 -*- import scrapyimport hashlibfrom beauty.items import JieYiCaiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorfrom scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractor class JieYiCaiSpider(scrapy.spiders.Spider):count=0url_set=set() name="jieyicai"domain='http://www.jieyicai.com'allowed_domains=["jieyicai.com"] start_urls=["http://www.jieyicai.com",] rules=[#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)#Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)#Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),] def parse(self, response):md5_obj=hashlib.md5()md5_obj.update(response.url)md5_url=md5_obj.hexdigest()if md5_url in JieYiCaiSpider.url_set:passelse:JieYiCaiSpider.url_set.add(md5_url)hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):item=JieYiCaiItem()item['company']=hxs.select('//span[@class="username g-fs-14"]/text()').extract()item['qq']=hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')item['info']=hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()item['more']=hxs.select('//li[@class="style4"]/a/@href').extract()item['title']=hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()yield item current_page_urls=hxs.select('//a/@href').extract()for i in range(len(current_page_urls)):url=current_page_urls[i]if url.startswith('/'):url_ab=JieYiCaiSpider.domain + urlyield Request(url_ab, callback=self.parse) spider spider

spider

上述代码中：对url进行md5加密的目的是避免url过长，也方便保存在缓存或数据库中。

此处代码的关键在于：

将获取的数据封装在了Item对象中
yield Item对象（一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768

# -*- coding: utf-8 -*- # Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import jsonfrom twisted.enterprise import adbapiimport MySQLdb.cursorsimport re mobile_re=re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')phone_re=re.compile(r'(\d+-\d+|\d+)') class JsonPipeline(object): def __init__(self):self.file=open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb') def process_item(self, item, spider):line="%s %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))self.file.write(line)return item class DBPipeline(object): def __init__(self):self.db_pool=adbapi.ConnectionPool('MySQLdb',db='DbCenter',user='root',passwd='123',cursorclass=MySQLdb.cursors.DictCursor,use_unicode=True) def process_item(self, item, spider):query=self.db_pool.runInteraction(self._conditional_insert, item)query.addErrback(self.handle_error)return item def _conditional_insert(self, tx, item):tx.execute("select nid from company where company=%s", (item['company'][0], ))result=tx.fetchone()if result:passelse:phone_obj=phone_re.search(item['info'][0].strip())phone=phone_obj.group() if phone_obj else ' ' mobile_obj=mobile_re.search(item['info'][1].strip())mobile=mobile_obj.group() if mobile_obj else ' ' values=(item['company'][0],item['qq'][0],phone,mobile,item['info'][2].strip(),item['more'][0])tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values) def handle_error(self, e):print 'error',e pipelines pipelines

上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。

12345

ITEM_PIPELINES={'beauty.pipelines.DBPipeline': 300,'beauty.pipelines.JsonPipeline': 100,}# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

总结：本文对python爬虫框架Scrapy做了详细分析和实例讲解，如果本文对您有参考价值，欢迎帮博主点下文章下方的推荐，谢谢！

在线咨询

上一篇：JavaScript 基础概念-布尔操作符
下一篇：用CSS实现饼图效果！#编程

您的项目需求

*请认真填写需求信息，我们会在24小时内与您取得联系。

整合营销服务商

Go 设计模式-装饰器模式

设计模式

装饰器模式

应用场景

代码

欢迎关注: 程序员开发者社区

参考资料

您的项目需求