码迷,mamicode.com
首页 > 编程语言 > 详细

python爬虫之scrapy框架

时间:2020-04-04 22:39:34      阅读:141      评论:0      收藏:0      [点我收藏+]

标签:mem   with open   忽略   baidu   判断   false   速度   top   enc   

第八章、scrapy框架使用

1.scrapy简介

1.1 scrapy初识

  • 什么是框架?
    • 所谓的框架简单通用解释就是就是一个具有很强通用性并且集成了很多功能的项目模板,该模板可被应用在不同的项目需求中。也可被视为是一个项目的半成品。
  • 如何学习框架?
    • 对于刚接触编程或者初级程序员来讲,对于一个新的框架,只需要掌握该框架的作用及其各个功能的使用和应用即可,对于框架的底层实现和原理,在逐步进阶的过程中在慢慢深入即可。
  • 什么是scrapy?
    • Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架,非常出名,非常强悍。其内部已经被集成了各种功能(高性能异步下载,队列,分布式,解析,持久化等)。对于框架的学习,重点是要学习其框架的特性、各个功能的用法即可。

1.2 scrapy基本使用

  • 环境安装:

    • linux和mac操作系统:
      • pip install scrapy
    • windows系统:
      • pip install wheel
      • 下载twisted,下载地址为http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
      • 安装twisted:pip install Twisted?17.1.0?cp36?cp36m?win_amd64.whl
      • pip install pywin32
      • pip install scrapy
        测试:在终端里录入scrapy指令,没有报错即表示安装成功!
  • scrapy使用流程:

    • 创建工程:
      • scrapy startproject ProName
    • 进入工程目录:
      • cd ProName
    • 在spiders子目录中创建爬虫文件:
      • scrapy genspider spiderName www.xxx.com
    • 编写相关操作代码
    • 执行工程(文件名):
      • scrapy crawl spiderName (不用加py)
      • scrapy crawl spiderName --nolog (不看日志) 还有一种或者在配置文件中增加配置LOG_LEVEL = ‘ERROR‘
  • 爬虫文件剖析:

    # -*- coding: utf-8 -*-
      import scrapy
      class QiubaiSpider(scrapy.Spider):
          name = ‘qiubai‘ #应用名称
          #允许爬取的域名(如果遇到非该域名的url则爬取不到数据),其实没什么用。一般都是注释掉
          #allowed_domains = [‘https://www.qiushibaike.com/‘]
          #起始爬取的url
          start_urls = [‘https://www.qiushibaike.com/‘]
          #访问起始URL并获取结果后的回调函数,该函数的response参数就是向起始的url发送请求后,获取的响应对象.该函数返回值必须为可迭代对象或者NUll 
          def parse(self, response):
              print(response.text) #获取字符串类型的响应内容
              print(response.body)#获取字节类型的相应内容
    
  • 配置文件settings.py修改:

    #修改内容及其结果如下:
    USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36‘ #伪装请求载体身份
    ROBOTSTXT_OBEY = False  #可以忽略或者不遵守robots协议
    #日志信息
    LOG_LEVEL = ‘ERROR‘  #只看错误信息
    
  • scrapy基于xpath数据解析操作:

    • 将selector类型转成列表 【0】extract()、extract_first() 取第一个

    • 提取全部内容: .extract(),获得是一个列表[‘abc‘,]
      提取第一个:.extract_first(),获得是一个字符串 ‘abc‘

    • 爬取糗事百科的段子数据

      # -*- coding: utf-8 -*-
      import scrapy
      class QiubaiSpider(scrapy.Spider):
        name = ‘qiubai‘
        allowed_domains = [‘https://www.qiushibaike.com/‘]
        start_urls = [‘https://www.qiushibaike.com/‘]
        def parse(self, response):
            #xpath为response中的方法,可以将xpath表达式直接作用于该函数中
            odiv = response.xpath(‘//div[@id="content-left"]/div‘)
            content_list = [] #用于存储解析到的数据
            for div in odiv:
                #xpath函数返回的为列表,列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中,需要调用extract()函数将解析的内容从Selecor中取出。
                author = div.xpath(‘.//div[@class="author clearfix"]/a/h2/text()‘)[0].extract()
                content=div.xpath(‘.//div[@class="content"]/span/text()‘)[0].extract()
                #打印展示爬取到的数据
                print(author,content)
      

2.scrapy的数据持久化存储

2.1 基于终端指令的持久化存储 (输出的文件格式有限)

  • 保证爬虫文件的parse方法中有可迭代类型对象(通常为列表or字典)的返回,该返回值可以通过终端指令的形式写入指定格式的文件中进行持久化操作。

  • import scrapy
    class QiubaiSpider(scrapy.Spider):
        name = ‘qiubai‘
        allowed_domains = [‘https://www.qiushibaike.com/‘]
        start_urls = [‘https://www.qiushibaike.com/‘]
        def parse(self, response):
            #xpath为response中的方法,可以将xpath表达式直接作用于该函数中
            odiv = response.xpath(‘//div[@id="content-left"]/div‘)
            content_list = [] #用于存储解析到的数据
            for div in odiv:
                #xpath函数返回的为列表,列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中,需要调用extract()函数将解析的内容从Selecor中取出。
                author = div.xpath(‘.//div[@class="author clearfix"]/a/h2/text()‘)[0].extract()
                content=div.xpath(‘.//div[@class="content"]/span/text()‘)[0].extract()
                #将解析到的内容封装到字典中
                dic={
                    ‘作者‘:author,
                    ‘内容‘:content
                }
                #将数据存储到content_list这个列表中
                content_list.append(dic)
            return content_list
    
  • 执行指令:

    • 执行输出指定格式进行存储:将爬取到的数据写入不同格式的文件中进行存储
      scrapy crawl 爬虫名称 -o xxx.json
      scrapy crawl 爬虫名称 -o xxx.xml
      scrapy crawl 爬虫名称 -o xxx.csv

2.2 基于管道的持久化存储操作

  • scrapy框架中已经为我们专门集成好了高效、便捷的持久化操作功能,我们直接使用即可。要想使用scrapy的持久化操作功能,我们首先来认识如下两个文件:

  • items.py:数据结构模板文件,定义数据属性

  • pipelines.py:管道文件。接受数据(items),进行数据持久化存储

  • 持久化流程:

    1. 爬虫文件爬到数据后,需要将数据封装到items对象中。
    2. 使用yield关键字将items对象提交给pipelines管道进行存储
    3. 在管道文件中的process_item方法中接受爬虫文件提交过来的item对象,之后对item进行任意形式的存储
    4. settings.py 配置文件中开启管道 (通常将这些数字定义在0-1000范围内。)
  • 小试牛刀:将糗事百科首页中的段子和作者数据爬取下来,然后进行持久化存储

    • 爬虫文件:qiubaiDemo.py

      import scrapy
      from secondblood.items import SecondbloodItem
      class QiubaidemoSpider(scrapy.Spider):
        name = ‘qiubaiDemo‘
        allowed_domains = [‘www.qiushibaike.com‘]
        start_urls = [‘http://www.qiushibaike.com/‘]
        def parse(self, response):
            odiv = response.xpath(‘//div[@id="content-left"]/div‘)
            for div in odiv:
                # xpath函数返回的为列表,列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中,需要调用extract()函数将解析的内容从Selecor中取出。
                author = div.xpath(‘.//div[@class="author clearfix"]//h2/text()‘).extract_first()
                author = author.strip(‘\n‘)#过滤空行
                content = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first()
                content = content.strip(‘\n‘)#过滤空行
                #将解析到的数据封装至items对象中
                item = SecondbloodItem()
                item[‘author‘] = author
                item[‘content‘] = content
                yield item#提交item到管道文件(pipelines.py)
      
    • items文件:items.py

      import scrapy
      class SecondbloodItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        author = scrapy.Field() #存储作者
        content = scrapy.Field() #存储段子内容
      
    • 管道文件:pipelines.py

      class SecondbloodPipeline(object):
        #构造方法
        def __init__(self):
            self.fp = None  #定义一个文件描述符属性
      #下列都是在重写父类的方法:
        #开始爬虫时,执行一次
        def open_spider(self,spider):
            print(‘爬虫开始‘)
            self.fp = open(‘./data.txt‘, ‘w‘)
       #因为该方法会被执行调用多次,所以文件的开启和关闭操作写在了另外两个只会各自执行一次的方法中。
        def process_item(self, item, spider):
            #将爬虫程序提交的item进行持久化存储
            self.fp.write(item[‘author‘] + ‘:‘ + item[‘content‘] + ‘\n‘)
            return item
        #结束爬虫时,执行一次
        def close_spider(self,spider):
            self.fp.close()
            print(‘爬虫结束‘)
      
    • 配置文件

      #开启管道
      ITEM_PIPELINES = {
      ‘secondblood.pipelines.SecondbloodPipeline‘: 300, #300表示为优先级,值越小优先级越高
      }
      

面试题:如果最终需要将爬取到的数据值一份存储到磁盘文件,一份存储到数据库中,则应该如何操作scrapy?

  • 一个管道类定义一种持久化存储方式

    • 在process_item中返回item,可以实现多个管道类都生效,是将item传递给下一个即将执行的管道类

    • 重写父类方法,让文件和数据库的打开关闭连接等操作都只执行一次,提高效率

    • 注意事项 : 对于存储的数据有单双引号都是用时,用pymysql或者MysqlDB的escape_string()方法对引号进行转义,不然就会报1064的语法错误

    • ITEM_PIPELINES = {    
      ‘MoTe.pipelines.MotePipeline‘: 300,    
      ‘MoTe.pipelines.MysqlPipeline‘: 301, }
      
    • 本地文件存储

       class MotePipeline(object):
           fp = None
           # 重写父类方法,该方法只会执行一次,
           def open_spider(self,spider):
           # 该方法调用后就可以接受爬虫类提交的对象
               print(‘start spider‘)
               self.fp = open(‘./a.txt‘,‘w‘,encoding=‘utf-8‘)
       
           def process_item(self, item, spider):
               title = item[‘title_text‘]
               url = item[‘title_url‘]
               # print(title,url)
               self.fp.write(title+url)
               return item #将item传递给下一个即将执行的管道类
       
           def close_spider(self,spider):
               print(‘finish spider‘)
               self.fp.close()
      
    • 数据库存储

      class MysqlPipeline(object):
           conn = None
           cursor = None
           def open_spider(self,spider):
               self.conn = pymysql.Connection(host = ‘127.0.0.1‘,port = 3306,user = ‘root‘,password = ‘123‘,db=‘mote‘,charset = ‘utf8‘)
               print(self.conn)
       
           def process_item(self,item,spider):
               title = item[‘title_text‘]
               url = item[‘title_url‘]
       
               sql = ‘insert into cmodel values("%s","%s")‘%(pymysql.escape_string(title),pymysql.escape_string(url))#转义引号
               self.cursor = self.conn.cursor()
               try:
                   self.cursor.execute(sql)
                   self.conn.commit()
               except Exception as e:
                   print(e)
                   self.conn.rollback()
               return item
       
           def close_spider(self,spider):
               self.cursor.close()
               self.conn.close()
      
    • redis

       class RedisPipeline(object):
           conn = None
       
           def open_spider(self,spider):
               self.conn = Redis(host=‘127.0.0.1‘,port=6379)
               print(self.conn)
       
           def process_item(self,item,spider):
               self.conn.lpush(‘news‘,item)
                  
      redis版本的3以上的不支持字典作为值,降低版本即可
      pip install -U redis==2.10.6
      

3.scrapy基于Spider类的全站数据爬取

  • 大部分的网站展示的数据都进行了分页操作,那么将所有页码对应的页面数据进行爬取就是爬虫中的全站数据爬取。

  • 基于scrapy如何进行全站数据爬取呢?

    • 将每一个页码对应的url存放到爬虫文件的起始url列表(start_urls)中。(不推荐)
    • 使用Request方法手动发起请求。(推荐)
  • 需求:将糗事百科所有页码的作者和段子内容数据进行爬取切持久化存储

  • # -*- coding: utf-8 -*-
    import scrapy
    from qiushibaike.items import QiushibaikeItem
    # scrapy.http import Request
    class QiushiSpider(scrapy.Spider):
      name = ‘qiushi‘
      allowed_domains = [‘www.qiushibaike.com‘]
      start_urls = [‘https://www.qiushibaike.com/text/‘]
      #爬取多页
      pageNum = 1 #起始页码
      url = ‘https://www.qiushibaike.com/text/page/%s/‘ #每页的url
      def parse(self, response):
          div_list=response.xpath(‘//*[@id="content-left"]/div‘)
          for div in div_list:
              #//*[@id="qiushi_tag_120996995"]/div[1]/a[2]/h2
              author=div.xpath(‘.//div[@class="author clearfix"]//h2/text()‘).extract_first()
              author=author.strip(‘\n‘)
              content=div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first()
              content=content.strip(‘\n‘)
              item=QiushibaikeItem()
              item[‘author‘]=author
              item[‘content‘]=content
              yield item #提交item到管道进行持久化
           #爬取所有页码数据
          if self.pageNum <= 13: #一共爬取13页(共13页)
              self.pageNum += 1
              url = format(self.url % self.pageNum)
              #递归爬取数据:callback参数的值为回调函数(将url请求后,得到的相应数据继续进行parse解析),递归调用parse函数
              yield scrapy.Request(url=url,callback=self.parse)  #手动发送请求
    

4.scrapy五大核心组件简介

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

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

技术图片

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:

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

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

5.请求传参- 51job案例

  • 51job 案例 (原本要写Boss,改成51了,创建项目时的名称没改)

    • 在某些情况下,我们爬取的数据不在同一个页面中(但是需要整合到一起,封装到一个item对象),例如,我们爬取一个电影网站,电影的名称,评分在一级页面,而要爬取的其他电影详情在其二级子页面中。这时我们就需要用到请求传参。

    • 请求传参的使用场景

      • 当我们使用爬虫爬取的数据没有存在于同一张页面的时候,则必须使用请求传参,深度爬取
    • scrapy基本使用:

      • 创建工程:
        • scrapy startproject Boss
      • 进入工程目录:
        • cd Boss
      • 在spiders子目录中创建爬虫文件:
        • scrapy genspider boss www.xxx.com
      • 编写代码
      • 执行工程(文件名):
        • scrapy crawl boss 执行文件
        • scrapy crawl boss --nolog (不看日志) 还有一种或者在配置文件中增加配置LOG_LEVEL = ‘ERROR‘

    下面时基于管道的持久化存储 代码:

    • spiders/boss.py

    • # -*- coding: utf-8 -*-
      import scrapy
      from ..items import BossItem
      
      class BossSpider(scrapy.Spider):
          name = ‘boss‘
          # allowed_domains = [‘www.zhipin.com‘]
          #51
          start_urls = [‘https://search.51job.com/list/010000,000000,0000,00,9,99,python,2,1.html?&workyear=02‘]
          #分页
          url = ‘https://search.51job.com/list/010000,000000,0000,00,9,99,python,2,%s.html?&workyear=02‘
          page_num = 2
      
          #详情页
          def parse_detail(self, response):
              item = response.meta[‘item‘]
              job_desc = response.xpath(‘/html/body/div[3]/div[2]/div[3]/div[1]/div//text()‘).extract()
              job_desc = ‘‘.join(job_desc)  #以‘‘ 将字符串拼接在一起
              item[‘job_desc‘] = job_desc.strip()
              yield item  #提交item到管道文件(pipelines.py)
      
          # 解析首页中的岗位名称
          def parse(self, response):
              div_list = response.xpath(‘//*[@id="resultList"]/div[@class="el"]‘)
      
              for div in div_list:
                  item = BossItem()
                  job_name = div.xpath(‘./p/span/a/text()‘).extract_first() #[xx,] 取一个  .extract_first()
                  # print(job_name)
                  job_company = div.xpath(‘./span[1]/a/text()‘).extract_first()
                  job_city = div.xpath(‘./span[2]/text()‘).extract_first()
                  job_saray = div.xpath(‘./span[3]/text()‘).extract_first()
                  job_pubtime = div.xpath(‘./span[4]/text()‘).extract_first()
                  #封装到item对象
                  item[‘job_name‘] = job_name.strip()
                  item[‘job_company‘] = job_company
                  item[‘job_city‘] = job_city
                  item[‘job_saray‘] = job_saray
                  item[‘job_pubtime‘] = job_pubtime
      
                  #获取详情页href
                  detail_url= div.xpath(‘./p/span/a/@href‘).extract_first()
                  # print(detail_url)
                  #对发请求  手动请求发送  请求传参meta
                  yield scrapy.Request(detail_url,callback=self.parse_detail,meta={‘item‘:item})
      
              #分页爬取
              if self.page_num <= 5:
                  new_url = format(self.url % (self.page_num))
      
                  self.page_num += 1
                  yield scrapy.Request(url=new_url,callback=self.parse) #回调parse解析
      
    • items.py

    • # -*- coding: utf-8 -*-
      
      # Define here the models for your scraped items
      #
      # See documentation in:
      # https://docs.scrapy.org/en/latest/topics/items.html
      
      import scrapy
      class BossItem(scrapy.Item):
          # define the fields for your item here like:
          # name = scrapy.Field()
          job_name = scrapy.Field()  # 岗位
          job_company = scrapy.Field()  # 公司
          job_city = scrapy.Field()   #城市
          job_saray = scrapy.Field()  # 薪资
          job_pubtime = scrapy.Field()  # 发布时间
          job_desc = scrapy.Field()  # 职位信息
      
    • pipelines.py 管道

    • # -*- coding: utf-8 -*-
      
      # Define your item pipelines here
      # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
      # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
      
      from openpyxl import Workbook
      from openpyxl.styles import PatternFill, Border, Side, Alignment, Protection, Font,NamedStyle
      
      class BossPipeline(object):
          # 构造方法
          def __init__(self):
              pass
      
          def open_spider(self,spider):
              self.wb = Workbook()  # 实例化
              self.ws = self.wb.active  # 激活 worksheet
              self.ws.append([‘职位名‘, ‘公司‘, ‘城市‘, ‘薪资‘, ‘发布时间‘, ‘职位描述‘])
      
              ###设置单元格颜色
              self.li = [‘A‘, ‘B‘, ‘C‘, ‘D‘, ‘E‘]
              highlight = NamedStyle(name="highlight")
              highlight.fill = PatternFill("solid", fgColor="66CD00")  # 背景填充
      
              for i in self.li:
                  self.ws.column_dimensions[i].width = 30  # 循环列设置行宽
                  self.ws["%s1" % i].style = highlight  # 设置单元格颜色 第一行
      
          def process_item(self, item, spider):
              # print(‘职位名:‘,item["job_name"])
              # print(‘公司:‘,item["job_company"])
              # print(‘城市:‘,item["job_city"])
              # print(‘薪资:‘,item["job_saray"])
              # print(‘发布时间:‘,item["job_pubtime"])
              # print(‘职位描述:‘,item["job_desc"])
      
              #neirong
              desc= [item["job_name"],item["job_company"],item["job_city"],item["job_saray"],item["job_pubtime"],item["job_desc"]]
              print(item["job_name"])
              #写入文件execl
              self.ws.append(desc)
              return item  #返回给其他的管道类用于持久化存储
      
          def close_spider(self,spider):
              self.wb.save(‘./51_python_job.xlsx‘)
      
    • settings.py 开始管道

    • 管道

      ITEM_PIPELINES = { ‘Boss.pipelines.BossPipeline‘: 300,}

    • 爬取的数据如下:

      技术图片

6.提升scrapy的爬取效率

  • 增加并发:
    • 默认scrapy开启的并发线程为32个,可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
  • 降低日志级别:
    • 在运行scrapy时,会有大量日志信息的输出,为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写:LOG_LEVEL = ‘INFO’
  • 禁止cookie:
    • 如果不是真的需要cookie,则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率,提升爬取效率。在配置文件中编写:COOKIES_ENABLED = False
  • 禁止重试:
    • 对失败的HTTP进行重新请求(重试)会减慢爬取速度,因此可以禁止重试。在配置文件中编写:RETRY_ENABLED = False
  • 减少下载超时:
    • 如果对一个非常慢的链接进行爬取,减少下载超时可以能让卡住的链接快速被放弃,从而提升效率。在配置文件中进行编写:DOWNLOAD_TIMEOUT = 10 超时时间为10s

7.scrapy图片数据爬取

  • 基于scrapy爬取字符串的数据和爬取图片类型的数据区别?

    • 字符串:只需要基于xpath进行解析且提交管道进行持久化存储
    • 图片:xpath解析出图片src的属性值。单独的对图片地址发起请求获取图片二进制的数据
  • ImagesPipeline:

    • 只需要将img的src属性值进行解析,提交到管道,管道就会对图片的src进行请求发送获取图片的二进制数据
  • 需求:爬取站长素材中的高清图片 (图片懒加载)

  • 使用流程:

    • 数据解析(图片的地址)

    • 将存储图片的地址的item提交到制定的管道类

    • 在管道文件中自定制一个管道类(父类为ImagesPipeline)
      from scrapy.pipelines.images import ImagesPipeline

    • 重写三个方法

      • from scrapy.pipelines.images import ImagesPipeline
         
        class ImgproPipeline(ImagesPipeline):
             # 该方法用作于请求发送
             def get_media_requests(self, item, info):
                 # 对item中的图片地址进行请求发送,
                 print(item)
                 yield scrapy.Request(url=item[‘img_src‘])
                 
             # 指定文件存储路径(文件夹+文件夹名称)  #看源码requset这里是get_media_requests中的item对象
             def file_path(self, request, response=None, info=None):
                 return request.url.split(‘/‘)[-1]
             
             # 将item传递给下一个即将被执行的管道类
             def item_completed(self, results, item, info):
                 return item
        
    • 在配置文件中:

      • 指定图片存储的目录,IMAGES_STORE = ‘./imgs_zy‘
      • 指定开启的管道类:自定制的管道类
  • 实例:

  • #spiders/imgs.py
    # -*- coding: utf-8 -*-
    import scrapy
    from ..items import ImgsproItem
    
    class ImgsSpider(scrapy.Spider):
        name = ‘imgs‘
        # allowed_domains = [‘www.xxx.com‘]
    
        start_urls = [‘http://sc.chinaz.com/tupian/‘]
    
        def parse(self, response):
    
            div_list =  response.xpath(‘//div[@id="container"]/div‘)
            for div in div_list:
                img_url = div.xpath(‘./div/a/img/@src2‘).extract_first()  #图片懒加载找到伪属性src2
                print(img_url)
                #封装item对象
                item = ImgsproItem()
                item[‘img_src‘] = img_url
                yield item
    
  • #items.py
    # -*- coding: utf-8 -*-
    
    # Define here the models for your scraped items
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/items.html
    
    import scrapy
    
    class ImgsproItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        img_src = scrapy.Field()
    
  • #pipelines.py
    # -*- coding: utf-8 -*-
    
    # Define your item pipelines here
    #
    # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
    
    from scrapy.pipelines.images import ImagesPipeline
    import scrapy
    # class ImgsproPipeline(object):
    #     def process_item(self, item, spider):
    #         return item
    
    class ImgsPipeline(ImagesPipeline):
        # 该方法用作于请求发送
        def get_media_requests(self, item, info):
            print(item,‘media_request‘)
            yield scrapy.Request(url=item[‘img_src‘])
        #指定文件存储路径(文件夹 + 文件夹名称)  # 看源码requset这里是get_media_requests中的item对象
        def file_path(self, request, response=None, info=None):
            return request.url.split(‘/‘)[-1]
    
        # 将item传递给下一个即将被执行的管道类
        def item_completed(self, results, item, info):
            return item
    
    
  • #settings.py
    #开启管道类
    ITEM_PIPELINES = {
       # ‘imgsPro.pipelines.ImgsproPipeline‘: 300,
       ‘imgsPro.pipelines.ImgsPipeline‘: 300,
    }
    #img图片存储路径
    IMAGES_STORE = ‘./imgs_zy‘
    

8.scrapy中间件

  • 下载中间件(Downloader Middlewares) 位于scrapy引擎和下载器之间的一层组件。

  • 作用:拦截到整个工程所有的请求和响应

  • 拦截请求: 案例爬取百度ip网页

    • UA伪装:写到process_request:return None
    • ip代理: 写到process_exception:return request
  • 拦截响应:

    • 篡改响应数据,响应对象
    • 需求:案例爬取网易新闻
      1. 通过网易新闻的首页解析窗户五大板块对应的详情页的url(没有动态加载)
      2. 每一个板块对应的新闻标题都是动态加载出来的(涉及动态加载)
      3. 通过解析每一条新闻详情页的url获取详情页的页面源码,解析出新闻内容
  • 我们主要使用下载中间件处理请求,一般会对请求设置随机的User-Agent ,设置随机的代理。目的在于防止爬取网站的反爬虫策略。

    • (1)引擎将请求传递给下载器过程中, 下载中间件可以对请求进行一系列处理。比如设置请求的 User-Agent,设置代理等。
    • (2)在下载器完成将Response传递给引擎中,下载中间件可以对响应进行一系列处理。比如进行gzip解压等。
  • 案例 爬取百度首页

  • #spiders/middletest.py
    # -*- coding: utf-8 -*-
    import scrapy
    class MiddeltestSpider(scrapy.Spider):
        name = ‘middeltest‘
        # allowed_domains = [‘www.xx.com‘]
        start_urls = [‘http://www.baidu.com/s?wd=ip‘]
    
        def parse(self, response):
            ret=response.text
            print(ret)
            with open(‘./baidu.html‘,‘w‘,encoding=‘utf-8‘) as f:
                f.write(ret)
                
    
  • #middelware.py 
    # -*- coding: utf-8 -*-
    # Define here the models for your spider middleware
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/spider-middleware.html
    
    from scrapy import signals
    import random
    
    class MiddleDownloaderMiddleware(object):
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the downloader middleware does not modify the
        # passed objects.
        user_agent_list = [
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
            "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
            "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
            "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
            "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
            "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
            "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
            "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
            "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
            "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
            "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
            "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
            "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
        ]
        # 可被选用的代理IP
        PROXY_http = [
            ‘153.180.102.104:80‘,
            ‘195.208.131.189:56055‘,
        ]
        PROXY_https = [
            ‘120.83.49.90:9000‘,
            ‘95.189.112.214:35508‘,
        ]
        def process_request(self, request, spider):
            #UA伪装
            request.headers[‘User-Agent‘] = random.choice(self.user_agent_list)
            print(request.headers[‘User-Agent‘])
            #为了验证代理ip 加的
            request.meta[‘proxy‘] = ‘http://121.33.220.158:808‘ #广东的一个代理ip
            return None
        
        def process_response(self, request, response, spider):
            return response
    	
        def process_exception(self, request, exception, spider):
            #代理ip
            h = request.url.split(‘:‘)[0]  # 请求的协议头
            if h == ‘https‘:
                request.meta[‘proxy‘] = ‘https://‘+random.choice(self.PROXY_https)
            else:
                request.meta[‘proxy‘] = ‘http://‘ + random.choice(self.PROXY_http)
            return request
    
  • 结果如下baidu.html: 如果有报错目标计算机连接报错,一般都是访问代理的问题。

  • 技术图片

  • 案例 爬取网易新闻:因为5大板块的详情页url 有部分数据是动态加载的

    • 爬虫关于动态数据获取方法
      • selenium模拟游览器操作拿到页面源码数据返回
      • 抓包工具分析动态数据来源,发送请求拿到动态数据
    • 下面通过中间件用篡改response,用selenium获取动态数据,最终返回新的response(中包含动态数据)
  • #spiders/wangyi.py 爬虫文件
    # -*- coding: utf-8 -*-
    import scrapy
    from selenium import webdriver
    from ..items import WangyiproItem
    #实现无可视化界面
    from selenium.webdriver.chrome.options import Options
    
    class WangyiSpider(scrapy.Spider):
        name = ‘wangyi‘
        # allowed_domains = [‘https://news.163.com/‘]
        start_urls = [‘https://news.163.com/‘]
        detail_urls = []
        def __init__(self):
            # 创建一个参数对象,用来控制chrome以无界面模式打开
            chrome_options = Options()
            chrome_options.add_argument(‘--headless‘)
            chrome_options.add_argument(‘--disable-gpu‘)
            # 实例化一个游览器对象
            self.driver = webdriver.Chrome(executable_path=r‘../chromedriver‘,chrome_options=chrome_options)
    
        #解析出网易新闻首页5大板块的详情页url
        def parse(self, response):
            li_list = response.xpath(‘//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li‘)
            a_list = [3,4,6,7,8]  #五大板块的列表索引
            for index in a_list:
                detail_url = li_list[index].xpath(‘./a/@href‘).extract_first()
                self.detail_urls.append(detail_url)
    
            for url in self.detail_urls: #对每一个板块的url进行请求发送
                yield scrapy.Request(url=url,callback=self.parse_detail) #回调函数
    
        def parse_detail(self,response):
            # print(response) #<200 http://news.163.com/uav/>
            div_list=response.xpath(‘/html/body/div/div[3]/div[2]/div[2]/div[1]/div[1]/div/ul/li/div/div‘)
            for div in div_list:
                title=div.xpath(‘.//div[@class="news_title"]/h3/a/text()‘).extract_first()
                new_detail_url=div.xpath(‘.//div[@class="news_title"]/h3/a/@href‘).extract_first()
                #封装到item中
                item = WangyiproItem()
                item[‘title‘] = title
    
                #对新闻的详情页发起url请求
                yield scrapy.Request(url=new_detail_url,callback=self.parse_detail_last,meta={‘item‘:item}) #请求传参
    
        def parse_detail_last(self,response):
            content=response.xpath(‘//*[@id="endText"]//text()‘).extract() #列表
            content = ‘‘.join(content)
            #接受参数meta
            item=response.meta[‘item‘]
            item[‘content‘] = content
            #提交到管道类存储
            yield item
    
        def closed(self,spider):
            #重写父类的方法关闭游览器,最后会执行一次
            self.driver.quit()
    
  • #下载中间件 位于引擎和下载器之间,用于拦截请求和响应
    #middleware.py
    # -*- coding: utf-8 -*-
    # Define here the models for your spider middleware
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/spider-middleware.html
    
    from scrapy import signals
    from time import sleep
    from scrapy.http import HtmlResponse
    
    
    class WangyiproDownloaderMiddleware(object):
    
        def process_request(self, request, spider):
            return None
    
        def process_response(self, request, response, spider):
            # Called with the response returned from the downloader.
            ‘‘‘
            :param request: 请求对象
            :param response:响应对象
            :param spider:爬虫对象<WangyiSpider ‘wangyi‘ at 0x52f8950>
            :return:
            ‘‘‘
            # Must either;
            # - return a Response object
            # - return a Request object
            # - or raise IgnoreRequest
            # print(request,response,spider)
            #拿到游览器对象
            driver = spider.driver
            #挑选出指定的响应对象进行篡改
            #通过url指定request、通过request指定response
            if request.url in spider.detail_urls:
                #五大板块的响应对象,针对定位到的这些response对象进行篡改
                #实例化一个新的响应对象(符合需求的:包含动态加载的新闻数据),替换原来旧的响应对象并返回
                #如何获取动态数据呢?
                driver.get(request.url)
                sleep(3)
                page_text = driver.page_source  #包含新闻的动态数据
                new_response=HtmlResponse(url=request.url,body=page_text,encoding=‘utf-8‘,request=request)
    
                return new_response
            else:
                #其他请求的响应对象(包括第一次请求)
                return response
    
        def process_exception(self, request, exception, spider):
            pass
    
    
  • #itme.py 
    import scrapy
    class WangyiproItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        title = scrapy.Field()
        content = scrapy.Field()
    
    
  • #pipelines.py #管道,目前只是打印出来
    class WangyiproPipeline(object):
        def process_item(self, item, spider):
            print(item)
            # print(‘新闻标题:‘,item[‘title‘])
            # print(‘内容:‘,item[‘content‘])
            return item
    
  • 需求初步功能实现(上述代码的结果,可以根据需求在做修改),目的是发现中间件的作用,可以篡改响应对象(new_response=HtmlResponse(url=request.url,body=page_text,encoding=‘utf-8‘,request=request))

9.scrapy中selenium的应用

案例在上面爬取网易新闻

  • 在通过scrapy框架进行某些网站数据爬取的时候,往往会碰到页面动态数据加载的情况发生,如果直接使用scrapy对其url发请求,是绝对获取不到那部分动态加载出来的数据值。但是通过观察我们会发现,通过浏览器进行url请求发送则会加载出对应的动态加载出的数据。那么如果我们想要在scrapy也获取动态加载出的数据,则必须使用selenium创建浏览器对象,然后通过该浏览器对象进行请求发送,获取动态加载的数据值。

    案例分析:

  • 需求:爬取网易新闻的国内板块下的新闻数据

  • 需求分析:当点击国内超链进入国内对应的页面时,会发现当前页面展示的新闻数据是被动态加载出来的,如果直接通过程序对url进行请求,是获取不到动态加载出的新闻数据的。则就需要我们使用selenium实例化一个浏览器对象,在该对象中进行url的请求,获取动态加载的新闻数据。

    selenium在scrapy中使用的原理分析:

  • 当引擎将国内板块url对应的请求提交给下载器后,下载器进行网页数据的下载,然后将下载到的页面数据,封装到response中,提交给引擎,引擎将response在转交给Spiders。Spiders接受到的response对象中存储的页面数据里是没有动态加载的新闻数据的。要想获取动态加载的新闻数据,则需要在下载中间件中对下载器提交给引擎的response响应对象进行拦截,切对其内部存储的页面数据进行篡改,修改成携带了动态加载出的新闻数据,然后将被篡改的response对象最终交给Spiders进行解析操作。

    selenium在scrapy中的使用流程:

  • 重写爬虫文件的构造方法,在该方法中使用selenium实例化一个浏览器对象(因为浏览器对象只需要被实例化一次)

  • 重写爬虫文件的closed(self,spider)方法,在其内部关闭浏览器对象。该方法是在爬虫结束时被调用

  • 重写下载中间件的process_response方法,让该方法对响应对象进行拦截,并篡改response中存储的页面数据

  • 在配置文件中开启下载中间件

10.基于CrawSpider类的全栈数据的爬取

crawlspider类:是Spider的一个子类

  • 全栈数据爬取的方式

    • 基于spider:手动请求 定制请求url 爬取
    • 基于CrawlSpider类全站爬取
  • CrawlSpider的使用:

    • 创建一个工程 scrapy startproject xxx

    • cd 目录

    • 创建爬虫文件(CrawlSpider):

      • scrapy genspider -t crawl xxx www.xx.com

      • 链接提取器:

        • LinkExtractor(allow=r‘Items/‘) #正则表达式
          
        • 作用:根据指定的规则(allow)进行指定链接的提取。

      • 规则解析器:

        •     rules = (
                  Rule(link, callback=‘parse_item‘, follow=True),
                  #follow=True,可以将链接提取器 继续作用到 链接提取器提取的链接 所对应的页面中,实现全站数据爬取
                  # follow=False,提取的是页面显示的链接
              )
          
        • 作用:将链接提取器提取到的链接进行指定规则(调用回调函数指定的 callback)解析

      • 一个链接提取器对应的一个规则解析器

      • 执行工程 scrapy crawl 文件

  • 案例:爬取阳光热线网站

    • 需求:编号,问政标题,和详情页中的内容,编号
    • (需要爬取的内容不再一个界面,需要请求传参)
  • #spiders/sun.py
    # -*- coding: utf-8 -*-
    import scrapy
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    from ..items import SunproItem,DetailItem
    
    class SunSpider(CrawlSpider):
        name = ‘sun‘
        # allowed_domains = [‘www.xx.com‘]
        start_urls = [‘http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1‘]
    
        #链接提取器 根据指定的规则(allow=‘正则‘)进行指定链接的提取。
        link = LinkExtractor(allow=r‘id=1&page=\d+‘)
        detail_link = LinkExtractor(allow=r‘id=\d+‘) #详情页的url 规则
    
        #规则提取器。将链接提取器提取到的链接 进行制定规则callback的解析操作
        rules = (
            Rule(link, callback=‘parse_item‘, follow=False),
            #follow=True,可以将链接提取器 继续作用到 链接提取器提取的链接 所对应的页面中,实现全站数据爬取 
            # follow=False,提取的是页面显示的链接
            Rule(detail_link,callback=‘parse_detail‘)
            #http://wz.sun0769.com/political/politics/index?id=449363
            #http://wz.sun0769.com/political/politics/index?id=449356
        )
        #下面两个方法不能请求传参!(因为没有手动发起请求)只能封装到两个item对象中
        def parse_detail(self, response):
            new_id = response.xpath(‘/html//div[3]/div[2]/div[2]/div[1]/span[4]/text()‘).extract_first()
            content = response.xpath(‘/html//div[3]/div[2]/div[2]/div[2]//text()‘).extract()
            content = ‘‘.join(content)
            # print(new_id,content)
    
            item = DetailItem()
            item[‘new_id‘] = new_id
            item[‘content‘] = content
            yield item
        def parse_item(self, response):
            # item = {}
            # return item
            #item[‘domain_id‘] = response.xpath(‘//input[@id="sid"]/@value‘).get()
            #item[‘name‘] = response.xpath(‘//div[@id="name"]‘).get()
            #item[‘description‘] = response.xpath(‘//div[@id="description"]‘).get()
            print(response)
            li_list = response.xpath(‘/html//div[2]/div[3]/ul[2]/li‘)
            for li in li_list:
                new_number=li.xpath(‘./span[1]/text()‘).extract_first()
                new_title = li.xpath(‘./span[3]/a/text()‘).extract_first()
                # print(new_num,new_title)
    
                item=SunproItem()
                item[‘new_number‘]=new_number
                item[‘new_title‘]=new_title
    
                yield item
    
  • #items.py
    # -*- coding: utf-8 -*-
    
    # Define here the models for your scraped items
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/items.html
    
    import scrapy
    
    
    class SunproItem(scrapy.Item):
        # define the fields for your item here like:
        new_title = scrapy.Field()
        new_number = scrapy.Field()
    
    
    class DetailItem(scrapy.Item):
        # define the fields for your item here like:
    
        new_id = scrapy.Field()
        content = scrapy.Field()
    
  • #pipelines.py
    # -*- coding: utf-8 -*-
    # Define your item pipelines here
    #
    # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
    
    
    class SunproPipeline(object):
        def process_item(self, item, spider):
            print(item.__class__) #<class ‘sunPro.items.DetailItem‘>
            print(item.__class__.__name__)#DetailItem
            if item.__class__.__name__ == ‘DetailItem‘:
                print(item[‘new_id‘],item[‘content‘])
    
            else:
                print(item[‘new_number‘],item[‘new_title‘])  #需要入库的话根据new_id/new_number做条件判断进行插入数据
    
            return item
    
  • #setting.py 
    开启管道
    ITEM_PIPELINES = {
       ‘sunPro.pipelines.SunproPipeline‘: 300,
    }
    

11.分布式爬虫

  • 概念:我们需要搭建一个分布式的机器(很多机器),让其对一组资源进行分布联合爬取

  • 作用:提升爬取数据的效率

  • 如何实现分布式?

    • 安装一个scrapy-redis的组件

    • 原生的scrapy不可以实现分布式爬虫,必须让scrapy结合这scrapy-redis组件一起实现分布式爬虫

    • 为什么scrapy不能进行分布式爬虫?

      • 调度器不能被分布式机群共享 (请求url不能共享)
      • 管道不能被分布式集群共享 (数据不能共享存储)
    • scrapy-redis组件作用:

      • 可以给原生的scrapy框架提供可以被共享的管道和调度器
    • 实现流程:

      • 创建一个工程

      • 创建一个基于CrawlSpider的爬虫文件

      • 修改当前的CrawlSpider爬虫文件

        1. 导包:from scrapy_redis.spiders import RedisCrawlSpider
        2. 将start_urls和allowed_domains进行注释
        3. 添加一个新属性redsi_key =‘sun‘ 可以被共享的调度器队列的名称 (处理起始url)
        4. 编写数据解析相关的代码 xpath
        5. 将当前爬虫类的父类修改为RedisCrawlSpider
      • 修改settings(共享的管道)

        • #指定管道
          ITEM_PIPELINES = {‘scrapy_redis.pipelines.RedisPipeline‘:400}
          
        • #指定调度器
          #增加了一个去重容器类的配置,作用使用redis的set集合来存储请求的指纹数据,从而实现请求去重的持久化
          DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘
          #使用scrapy-redis组件自己的调度器
          SCHEDULER=‘scrapy_redis.scheduler.Scheduler‘
          #配置调度器是否要持久化,也就是当爬虫结束了,要不要情况redis中的请求队列和去重指纹的set,如果是True,可以只爬取没有爬过的数据
          
        • #指定redis服务器  存储数据
          REDIS_HOST = ‘192.116.13.36‘ #redis远程服务器的ip 测试的话用本机
          REDIS_PORT = 6379
          REDIS_ENCODING=‘utf-8‘
          REDIS_PASSWORD={‘password‘:123456}
          
      • redis相关的操作配置(队列在redis中)

        • 配置redis的配置文件:
          • linux或mac:redis.conf
          • window:redis.window.conf
          • 打开配置文件修改:
            • 将bind 127.0.0.1进行注释 (表示可以让其他ip访问redis)
            • 关闭保护模式:propected-mode yes改为no (表示可以让其他ip操作redis)
        • 结合着配置文件开启redis服务器
          • redis-server redis.window.conf
        • 新打开一个cmd窗口,启动redis客户端
          • redis-cli
      • 执行工程:(在pycharm中执行爬虫文件xx.py)

        • scrapy runspider xx.py (ps:可在多台机器上部署scrapy项目,共同执行工程,在调度器队列中没有url时,不会执行 )
      • 向调度器的队列中放入一个起始的url:

        • 调度器的队列在redis的客户端中
          • 执行命令:lpush sun url_name
          • lpush redis_key设置的属性值 起始url,意思是往列表中放入url
          • (ps:任意一台机器执行命令,放入起始url)
      • 爬去到的数据存储在redis服务器端的proName:items这个数据结构中

        • lrange proName:items 0 10 (看0-10条数据)
        • llen proName:items (看一共有多少条数据)llen fbs:items
      • redis中清空数据是 flushall

  • 案例:

  • #spiders/fbs.py
    # -*- coding: utf-8 -*-
    import scrapy
    
    from scrapy_redis.spiders import RedisCrawlSpider
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import  Rule
    
    from fbsPro.items import FbsproItem
    
    class FbsSpider(RedisCrawlSpider):
        name = ‘fbs‘
        # allowed_domains = [‘www.xx.com‘]
        # start_urls = [‘http://www.xx.com/‘]
        redis_key = ‘sun‘
    	
        link = LinkExtractor(allow=r‘id=1&page=\d+‘)
        rules = (
            Rule(link, callback=‘parse_item‘, follow=True),
        )
        def parse_item(self, response):
            li_list = response.xpath(‘/html//div[2]/div[3]/ul[2]/li‘)
            for li in li_list:
                new_number=li.xpath(‘./span[1]/text()‘).extract_first()
                new_title = li.xpath(‘./span[3]/a/text()‘).extract_first()
    
                item=FbsproItem()
                item[‘new_number‘]=new_number
                item[‘new_title‘]=new_title
    
                yield item
    
  • end

12.增量式爬虫:

  • 概念:监测网站数据更新的情况,只会爬取网站最新更新出来的数据

  • 分析:

    • 指定一个url
    • 基于CrawlSpider获取其他页码链接
    • 基于Rule将其他页码链接进行请求
    • 从每一个页码对应的页面源码中解析出每一个电影详情页的URL,
    • 核心:检测电影详情页中的url之前没有没被请求过(即为最新更新的数据)
      • 将爬取过的电影详情页的url存储
        • 存储到redis的set数据结构(自动去重)
          • sadd name zzy 设置name数据结构值为zzy (name是个集合(Set))
          • smembers name 取值
    • 对详情页的url发起请求,然后解析出电影的名称和简介
    • 进行持久化存储
  • 案例:

  • #spiders/movie.py
    # -*- coding: utf-8 -*-
    import scrapy
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    from redis import Redis
    from MoviePro.items import MovieproItem
    
    class MovieSpider(CrawlSpider):
        name = ‘movie‘
        # allowed_domains = [‘www.xx.com‘]
    
        start_urls = [‘https://www.4567kan.com/frim/index1.html‘]
        link=LinkExtractor(allow=r‘/frim/index1-\d+\.html‘)
        rules = (
            Rule(link, callback=‘parse_item‘, follow=False),
        )
        #创建redis链接对象
        conn = Redis(host=‘127.0.0.1‘,port=6379) #默认是本机
        print(‘connect success!!‘)
        #拿到详情页的url
        def parse_item(self, response):
            li_list = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/ul/li‘)
            for li in li_list:
                dertail_url = ‘https://www.4567kan.com‘+ li.xpath(‘./div/a/@href‘).extract_first()
                #将详情页的url存入redis的set数据结构中
                ex = self.conn.sadd(‘urls‘,dertail_url) #sadd urls detail_url
                if ex == 1: #意思是成功,没有重复的
                    print(‘url没有被爬取过,正在爬取‘)
                    yield scrapy.Request(url=dertail_url,callback=self.parse_detail)
                else:#有重复的意味着
                    print(‘数据还没更新,暂无数据可爬取!‘)
    
        def parse_detail(self,response):
            item = MovieproItem()
            item[‘name‘]=response.xpath(‘/html//div[1]/div/div/div/div[2]/h1/text()‘).extract_first()
            yield item
    
    
  • #items.py
    import scrapy
    class MovieproItem(scrapy.Item):
        # define the fields for your item here like:
        name = scrapy.Field()
    
  • #pipelines.py
    class MovieproPipeline(object):
        def open_spider(self,spider): #开始执行一次
            self.conn = spider.conn
        def process_item(self, item, spider):
            print(item[‘name‘])
            dic={
                ‘name‘:item[‘name‘],
            }
            self.conn.lpush(‘moviedata‘,dic) #插入redis列表moviedata中
            return item
    
  • #settings.py
    #开启管道
    ITEM_PIPELINES = {
       ‘MoviePro.pipelines.MovieproPipeline‘: 300,
    }
    
  • 执行爬虫文件 scrapy crawl movie

  • redis中的数据:

  • 技术图片

13.yield的用法解析

1.解析1

我们通过 yield 来发起一个请求,并通过 callback 参数为这个请求添加回调函数,在请求完成之后会将响应作为参数传递给回调函数。
scrapy框架会根据 yield 返回的实例类型来执行不同的操作:     
a. 如果是 scrapy.Request 对象,scrapy框架会去获得该对象指向的链接并在请求完成后调用该对象的回调函数。
b. 如果是 scrapy.Item 对象,scrapy框架会将这个对象传递给 pipelines.py做进一步处理。

2.解析2

yield 的作用就是把一个函数变成一个生成器(generator),带有yield的函数不再是一个普通函数,Python解释器会将其视为一个generator,单独调用(如fab(5))不会执行fab函数,而是返回一个 iterable 对象!

在for循环执行时,每次循环都会执行fab函数内部的代码,执行到yield b时,fab函数就返回一个迭代值,下次迭代时,代码从 yield b 的下一条语句继续执行,而函数的本地变量看起来和上次中断执行前是完全一样的,于是函数继续执行,直到再次遇到 yield。参考实例如下:

复制代码
def fab(max):
   n, a, b = 0, 0, 1
   while n < max:
      # print b
      yield b
      # print b
      a, b = b, a + b
      n = n + 1
print(fab(5))  # 输出:<generator object fab at 0x00000000069D8A68>
for n in fab(5):
    print n    # 依次1,1,2,3,5
#对于含有yield的函数,外部要以迭代的方式调用,当函数执行结束时,generator 自动抛出 StopIteration 异常,表示迭代完成。
# 在 for 循环里,无需处理 StopIteration 异常,循环会正常结束。

def ff(max):
   a,b = 0,1
   yield max  # yield不在循环中,这里已经到函数最后所以直接返回,相当于return
for n in ff(5):
   print n    # 输出:5
复制代码
【结论】综上可知,yield要使用在循环中,这样生成器才有使用的意义。


2. 对scrapy中使用yield循环处理网页url的分析
首先,scrapy框架对含有yield关键字的parse()方法的调用是以迭代的方式进行的。相当于:
for n in parse(self, response):
pass
其次,python将parse()函数视为生成器,但首次调用才会开始执行代码,每次迭代请求(即上面的for循环)才会执行yield处的循环代码,生成每次迭代的值。如下方法:

复制代码
def parse(self, response):
    # 具体处理逻辑:如,分析页面,找到页面中符合规则的内容(校花图片),保存
    hxs = HtmlXPathSelector(response)  # 创建查询对象
    # 获取所有的url,继续访问,并在其中寻找相同的url
    all_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)  # 递归的找下去
            print(url)

# Scrapy框架开始执行spider,即是对parse()方法迭代的过程{for n in parse(self, response)},
# 首先程序会将第一个response对象分析提取需要的东西,然后提取该response中所有的urls进行循环处理
# 对urls循环处理过程中,首次执行到parse-for-yield处,会返回一个迭代值,即生成一个Request1 对象(其中定义了回调方法为parse);
# 此时,第一次迭代结束。
        # 第一次迭代过程中生成的Request1对象,即一个新的url请求,会返回一个新的response,然后框架会使用该response执行回调函数,进行另一个分支的迭代处理
# 分支迭代的程序处理完成,进行第二次迭代,会从yield的下一条语句开始,即print,然后继续执行for循环,最后执行到yield,又会生
# 成一个request2 对象,
        # 生成request2 对象,相当于又开始了一个新的分支,这个分支处理完后返回一个对象后开始回到主程序
# 接下来,开始第三次迭代,又从yield后面的print开始执行.....
# 最终,直到循环结束。

python爬虫之scrapy框架

标签:mem   with open   忽略   baidu   判断   false   速度   top   enc   

原文地址:https://www.cnblogs.com/hanfe1/p/12634646.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!