zoukankan html css js c++ java

Scrapy框架

Scrapy框架介绍

什么是scrapy框架？

Scrapy框架是封装了很多功能并具有很强的通用性的爬虫框架。

Scrapy框架的功能

高性能的持久化存储
异步的数据下载
高性能的数据解析
分布式应用

Scrapy框架的基本使用

环境安装：

　　linux & Mac：pip install scrapy
　　Window:
- pip install wheel 　 : 负责处理twisted模块
- 下载安装twisted
- $: pip install pywin32
- $: pip install scrapy

基本使用：

1、创建Scrapy工程：

$: scrapy startproject ProjectName    # ProjectName为工程名

2、在spiders子目录中创建一个爬虫文件：

$ : scrapy genspider spidername www.xxx.com

# spidername为爬虫文件名  
# www.xxx.com 为爬虫文件中的 url ， 后续可在爬虫文件中修改

3、执行项目：

$ : scrapy crawl spidername

# spidername为爬虫文件名

根据上述步骤执行后，得到如下层级的项目：

创建以项目之后，Scrapy会自动生成一下文件

spiders：用以存放所有的爬虫文件
items.py: 自定义处理item对象的类
middlewares.py：用于存放中间件
pipelines.py:管道类文件，用于封装处理item对象的管道类
settings.py: Scrapy项目的配置文件
scrappy.cfg: Scrapy的配置文件

来看下爬虫文件中的代码：

# -*- coding: utf-8 -*-
import scrapy


class FirstSpiderSpider(scrapy.Spider):
    # name：爬虫文件的名称，也是爬虫文件的唯一标识，
    name = 'first_spider'
    # 允许发起请求的域名，用来限制 start_urls 列表中的哪些url可以发起请求   一般不适用
    allowed_domains = ['www.baidu.com']
    # 起始的url列表，列表中的url会被scrapy自动进行请求的发送
    start_urls = ['http://www.baidu.com/']

    def parse(self, response):
        '''
        用来解析数据的方法
        :param response: 请求url返回的响应
        :return: 返回解析的结果
        '''
        print(response)

这里对Parse方法进行了修改，让其打印response，现在执行项目看下：

(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$ scrapy crawl first_spider
2020-05-28 12:56:10 [scrapy.utils.log] INFO: Scrapy 2.1.0 started (bot: firstspider)
2020-05-28 12:56:10 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 20.3.0, Python 3.6.9 (default, Apr 18 2020, 01:56:04) - [GCC 8.4.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1g  21 Apr 2020), cryptography 2.9.2, Platform Linux-5.3.0-51-generic-x86_64-with-Ubuntu-18.04-bionic
2020-05-28 12:56:10 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2020-05-28 12:56:10 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'firstspider',
 'NEWSPIDER_MODULE': 'firstspider.spiders',
 'ROBOTSTXT_OBEY': True,
 'SPIDER_MODULES': ['firstspider.spiders']}
2020-05-28 12:56:10 [scrapy.extensions.telnet] INFO: Telnet Password: 644fdd2de863d7ee
2020-05-28 12:56:10 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats']
2020-05-28 12:56:10 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-05-28 12:56:10 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-05-28 12:56:10 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-05-28 12:56:10 [scrapy.core.engine] INFO: Spider opened
2020-05-28 12:56:10 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-05-28 12:56:10 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-05-28 12:56:10 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.baidu.com/robots.txt> (referer: None)
2020-05-28 12:56:10 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET http://www.baidu.com/>
2020-05-28 12:56:11 [scrapy.core.engine] INFO: Closing spider (finished)
2020-05-28 12:56:11 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 1,
 'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 1,
 'downloader/request_bytes': 223,
 'downloader/request_count': 1,
 'downloader/request_method_count/GET': 1,
 'downloader/response_bytes': 676,
 'downloader/response_count': 1,
 'downloader/response_status_count/200': 1,
 'elapsed_time_seconds': 0.280637,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 5, 28, 4, 56, 11, 68667),
 'log_count/DEBUG': 2,
 'log_count/INFO': 10,
 'memusage/max': 54968320,
 'memusage/startup': 54968320,
 'response_received_count': 1,
 'robotstxt/forbidden': 1,
 'robotstxt/request_count': 1,
 'robotstxt/response_count': 1,
 'robotstxt/response_status_count/200': 1,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2020, 5, 28, 4, 56, 10, 788030)}
2020-05-28 12:56:11 [scrapy.core.engine] INFO: Spider closed (finished)
(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$ clear
(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$ scrapy crawl first_spider
2020-05-28 12:56:54 [scrapy.utils.log] INFO: Scrapy 2.1.0 started (bot: firstspider)
2020-05-28 12:56:54 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 20.3.0, Python 3.6.9 (default, Apr 18 2020, 01:56:04) - [GCC 8.4.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1g  21 Apr 2020), cryptography 2.9.2, Platform Linux-5.3.0-51-generic-x86_64-with-Ubuntu-18.04-bionic
2020-05-28 12:56:54 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2020-05-28 12:56:54 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'firstspider',
 'NEWSPIDER_MODULE': 'firstspider.spiders',
 'ROBOTSTXT_OBEY': True,
 'SPIDER_MODULES': ['firstspider.spiders']}
2020-05-28 12:56:54 [scrapy.extensions.telnet] INFO: Telnet Password: 6302078d359db2f4
2020-05-28 12:56:54 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats']
2020-05-28 12:56:54 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-05-28 12:56:54 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-05-28 12:56:54 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-05-28 12:56:54 [scrapy.core.engine] INFO: Spider opened
2020-05-28 12:56:54 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-05-28 12:56:54 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-05-28 12:56:54 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.baidu.com/robots.txt> (referer: None)
2020-05-28 12:56:54 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET http://www.baidu.com/>
2020-05-28 12:56:55 [scrapy.core.engine] INFO: Closing spider (finished)
2020-05-28 12:56:55 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 1,
 'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 1,
 'downloader/request_bytes': 223,
 'downloader/request_count': 1,
 'downloader/request_method_count/GET': 1,
 'downloader/response_bytes': 676,
 'downloader/response_count': 1,
 'downloader/response_status_count/200': 1,
 'elapsed_time_seconds': 0.236715,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 5, 28, 4, 56, 55, 143621),
 'log_count/DEBUG': 2,
 'log_count/INFO': 10,
 'memusage/max': 55033856,
 'memusage/startup': 55033856,
 'response_received_count': 1,
 'robotstxt/forbidden': 1,
 'robotstxt/request_count': 1,
 'robotstxt/response_count': 1,
 'robotstxt/response_status_count/200': 1,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2020, 5, 28, 4, 56, 54, 906906)}
2020-05-28 12:56:55 [scrapy.core.engine] INFO: Spider closed (finished)

View Code

设置打印信息

由于settings.py中设置 # Obey robots.txt rules ROBOTSTXT_OBEY = True ，所以在上面的结果中不会得到response

这个参数的作用是设定是否遵从”rebots.text“协议，为“True”代表遵循，爬虫文件就无法获得对应的数据，反之亦然

设置为" False "后，就可以在日志DEBUG中看到结果：

2020-05-28 13:03:23 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.baidu.com/> (referer: None)
<200 http://www.baidu.com/>

如何只让其打印response呢？可以在执行代码后加上“nolog”参数：

(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$ scrapy crawl first_spider --nolog
<200 http://www.baidu.com/>
(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$

这中方式有个弊端，那就是如果爬虫代码出现问题，就不会打印处错误信息，只会返回空。

所以有个更好的方式来实现这个效果：修改parse中的代码

    def parse(self, response):

        print(response1)  # 在response后价格“1”

在settings.py中设置打印日志级别：

# 设置打印的日志级别
LOG_LEVEL = "ERROR"

再次执行结果：

(venv) kylin@kylin:~/PycharmProjects/Crawler/Scrapy框架/firstspider$ scrapy crawl first_spider
2020-05-28 13:08:47 [scrapy.core.scraper] ERROR: Spider error processing <GET http://www.baidu.com/> (referer: None)
Traceback (most recent call last):
  File "/home/kylin/PycharmProjects/Crawler/venv/lib/python3.6/site-packages/twisted/internet/defer.py", line 654, in _runCallbacks
    current.result = callback(current.result, *args, **kw)
  File "/home/kylin/PycharmProjects/Crawler/Scrapy框架/firstspider/firstspider/spiders/first_spider.py", line 19, in parse
    print(response1)
NameError: name 'response1' is not defined

通常情况下，第二种方式用的较多

Scrapy框架数据解析

xpath解析：

在Scrapy中response可以直接调用xpath解析，用法大体上和etree中的差不多，不同的是Scrapy中xpath返回的是以Selector对象为元素的列表。

<Selector xpath='./div[1]/a[2]/h2/text()' data='
小恩的老公8
'>

每一个Selector对象中，包含两个属性：

xpath表达式：对应标签的xpath
data数据：存放对应标签的文本内容

获取Selector数据

在局部解析中，可以调用对应的方法获取Selector对象中data的数据

extract():
- 　　调用对象：Selector列表 / Selector对象
- Selector列表调用：将每个Selector对象中data的数据以列表的形式返回
- Selector对象调用：直接将data中的数据以字符串的形式返回
extract_first():
- 　　调用对象：Selector列表（仅当列表中只有一个元素时方可调用）
- 返回结果：直接将data中的数据以字符串的形式返回

            '''
            extract()方法调用： 返回Selector对象中data的属性值
                Selector对象调用：
                    div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
                Selector对象列表调用：
                    
                    list: [<Selector xpath='./div[1]/a[2]/h2/text()' data='
天热打鼓球
'>] 
                    
            extract_first()方法：
                仅在列表中只有一个Selector对象时，返回结果同 extract()
            '''

Scrapy框架的持久化存储

方式一：基于终端指令存储

只可以将prase中返回的数据存储到本地的文本文件中
指令： scrapy crawl spidername -o filepath
优势：便捷高校、
劣势：只能存储到特定的文件类型中：('json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle')

示例：

爬虫文件：

    def parse(self, response):

        div_lists = response.xpath('//*[@id="content"]/div/div[2]/div')
        # print(div_lists)  # //*[@id="content"]/div/div[2]  //*[@id="qiushi_tag_123151102"]/div[1]/a[2]/h2
        all_data = []  # 存储所有数据
        for div in div_lists:

            author_name = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            content = div.xpath('./a[1]/div/span[1]//text()').extract()

            # 将列表转为字符串
            content = "".join(content)

            dic = {
                "author": author_name,
                "content": content,
            }
            all_data.append(dic)

        return all_data

执行命令： scrapy crawl qiushi_spider -o qiushi.xml

结果图示：

方式二：基于管道存储

编码流程：

数据解析
在item类中定义相关的属性
将解析的数据封装存储到item类型的对象中
将item对象提交给管道进行持久化存储
在管道类的process_item方法中，将接收到的item对象中的数据进行持久化存储
在配置文件中开启管道

优劣势：

优势：通用性强，存储文件没有位置和文件类型限制
劣势：相比较终端存储，编码较为繁琐，

案例：

使用上面的爬取的数据，对其代码进行修改

1、对item类定义相关属性

class QiushispiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    """
    用以接受爬虫文件发送的数据，并通过指定形式进行封装
    """
    author = scrapy.Field()
    content = scrapy.Field()

2、在prase方法中，把数据封装到Item中，并将封装过数据的item对象提交给管道处理

    def parse(self, response):
        div_lists = response.xpath('//*[@id="content"]/div/div[2]/div')
        for div in div_lists:
            author_name = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()

            content = div.xpath('./a[1]/div/span[1]//text()').extract()
            # 将列表转为字符串
            content = "".join(content)

            # 实例化QiushispiderItem对象 进行数据封装
            item = QiushispiderItem()
            item["author"] = author_name
            item["content"] = content

            # 将item对象提交给管道
            yield item

3、在管道类中，将接收到的数据进行持久化存储

class QiushispiderPipeline:
　　
    fp = None
    # 重写父类open_spider方法
    def open_spider(self, spider):
        """爬虫开始时调用的方法  只在爬虫程序结束时调用一次"""
        print("开始爬取数据。。。")
        self.fp = open("qiushi.txt", "w", encoding="utf-8")

    def process_item(self, item, spider):
        """用于处理Item对象 """
        author = item["author"]
        content = item["content"]
        self.fp.write(author + ":" + content + "")
        return item   # 将管道中的数据返回给下一个管道类进行使用

    # 重写父类close_spider方法
    def close_spider(self, spider):
        """爬虫结束时调用的方法  只在爬虫程序结束时调用一次"""
        print("结束爬虫。。")
        self.fp.close()


注意：
    1、每一个管道类对应将item中的数据存储到一种载体上，如果想实现多种处理方式，
        可以定义多种管道类，并在settings.py文件中配置新的管道类及其优先级
    2、爬虫文件发送的item对象，管道只接受一次，交由优先级高的管道类处理
    3、由优先级最高的管道类中的process_item方法处理完数据后 返回item对象，后续的管道类才可以获得item对象

4、在配置文件中开启管道

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'qiushiSpider.pipelines.QiushispiderPipeline': 300,
    # 300表示类的优先级数值  数值越小优先级越高
}

5、执行爬虫程序： scrapy crawl qiushi_spider

基于spider的全站数据爬取

上面爬取的都是单个页面的数据，现在我们基于spider爬取全站数据，实现翻页爬取的效果

import scrapy
import requests

class XiaohuaSpider(scrapy.Spider):
    name = 'xiaohua'

    start_urls = ["https://www.58pic.com/tupian/so-800-0-default-0-0-SO-0_10_0_0_0_0_0-0-1.html"]
    url = "https://www.58pic.com/tupian/so-800-0-default-0-0-SO-0_10_0_0_0_0_0-0-%d.html"
    page_num = 2
    def parse(self, response):
        div_lists = response.xpath('/html/body/div[4]/div[4]/div[1]/div[@class="qtw-card"]')
        for div in div_lists:
            title = div.xpath('./a/div[2]/span[2]/text()')[0].extract()
            print(title)
            if self.page_num <= 3:
                new_url = self.url % self.page_num
                self.page_num +=1
                # 使用scrapy.spiders.Request手动发起请求 url爬取的url callback为要执行的方法
                yield scrapy.spiders.Request(url=new_url, callback=self.parse)

请求参数

使用场景：后续请求的url和首次请求的url不在同一个页面，也就是深度爬取

# meta中放置传递的参数  比如 ：item对象
yield scrapy.spiders.Request(url=new_url, callback=self.parse,  meta={"item":"item"})

Scrapy的图片爬取：ImagesPipeline

Scrapy框架给我们封装了一个管道类：“ImagesPipeline”，专门用于图片处理

ImagesPipeline的使用方法：

自定义管道类，然后继承“ImagesPipeline”
- from scrapy.pipelines.images import ImagesPipeline
重写父类方法：
- get_media_request() :
  - 作用：对图片url发起请求
- file_path() :　　
  - 作用：用于设置图片存储位置
- item_completed() ：
  - 作用：返回item给下一个管道类
在settings.py文件中配置自定义管道类
在settings.py文件中配置图片路径：IMAGES_STORE = "./filepath"

示例：爬取站长工具的图片

1、数据解析，将图片的URL封装到item对象：

import scrapy
from ..items import ZhanzhangItem


class TupianSpiderSpider(scrapy.Spider):
    name = 'tupian_spider'
    start_urls = ['http://sc.chinaz.com/tupian/']

    def parse(self, response):
        div_lists = response.xpath('//div[@id="container"]/div')

        for div in div_lists:
            img_src = div.xpath('./div/a/img/@src2')[0].extract()
            # 实例化item
            item = ZhanzhangItem()
            item["img_src"] = img_src
            # 将item对象提交给管道类
            yield item

View Code

2、设置item字段

import scrapy

class ZhanzhangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    img_src = scrapy.Field()

3、自定义管道类，重写父类方法

import scrapy
from scrapy.pipelines.images import ImagesPipeline

class ImgPipeline(ImagesPipeline):
    """自定义管道类  继承ImagesPipeline 重写父类方法"""

    def get_media_requests(self, item, info):
        """对图片URL发起请求"""
        yield scrapy.Request(item["img_src"])

    def file_path(self, request, response=None, info=None):
        """设置图片存储路径"""
        imgName = request.url.split("/")[-1]
        return imgName

    def item_completed(self, results, item, info):
        """返回item对象给后续的管道类"""
        return item

4、配置文件配置管道类和图片存储路径

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# 配置输出日志级别
LOG_LEVEL = "ERROR"

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'zhanzhang.pipelines.ImgPipeline': 300,
}

# 配置图片存储路径
IMAGES_STORE = "./Img/"

执行爬虫程序，就会看到在根目录生成了一个Img文件夹：

Scrapy的五大核心组件

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。

中间件

下载中间件：位于引擎和下载器中间，可以拦截爬虫整个工程中的请求和响应

爬虫中间件：

下载中间件

拦截请求：

UA伪装：在process_request()方法中实现
代理ip设定：在process_exception()方法中实现

拦截响应：

修改响应对象和响应数据

UA伪装实现

    # UA列表
    ua_lists = [
                'Mozilla/5.0 (compatible; U; ABrowse 0.6; Syllable) AppleWebKit/420+ (KHTML, like Gecko)',
                'Mozilla/5.0 (compatible; U; ABrowse 0.6;  Syllable) AppleWebKit/420+ (KHTML, like Gecko)',
                'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729)',
                'Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR   3.5.30729)',
                'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0;   Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1;   SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)',
                'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; SV1; Acoo Browser; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; Avant Browser)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1;   .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; GTB5; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; Maxthon; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)',
                'Mozilla/4.0 (compatible; Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser 1.98.744; .NET CLR 3.5.30729); Windows NT 5.1; Trident/4.0)',
                'Mozilla/4.0 (compatible; Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB6; Acoo Browser; .NET CLR 1.1.4322; .NET CLR 2.0.50727); Windows NT 5.1; Trident/4.0; Maxthon; .NET CLR 2.0.50727; .NET CLR 1.1.4322; InfoPath.2)',
                'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; Acoo Browser; GTB6; Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) ; InfoPath.1; .NET CLR 3.5.30729; .NET CLR 3.0.30618)',
                ]

    def process_request(self, request, spider):
        """
        拦截所有正常的请求
        :param request:
        :param spider:
        :return: 返回response/request/error
        """
        # UA伪装
        request.headers["User_Agent"] = random.choice(self.ua_lists)
        return None

View Code

IP代理实现

    # 代理ip列表
    PROXY_http = [
                '223.242.224.37:9999',
                '175.42.128.136:9999',
                '112.245.17.202:8080',
                '27.43.187.191:9999',
                '183.166.133.235:9999',
            ]

    PROXY_https = [
                '60.179.201.207:3000',
                '60.179.200.202:3000',
                '60.184.110.80:3000',
                '60.184.205.85:3000',
                '60.188.16.15:3000',
                  ]

    def process_exception(self, request, exception, spider):
        """
        拦截所有的异常请求
        :param request:
        :param exception:
        :param spider:
        :return: request  返回请求进行重写发送
        """
        # 根据URL的请求不同选择不同的代理ip
        if request.url.split(":")[0] == "http":
            request.meta["proxy"] = random.choice(self.PROXY_http)
        else:
            request.meta["proxy"] = random.choice(self.PROXY_https)
            
        return request  # 返回请求以便重写发起

View Code

基于CrawlSpider进行全站爬取

Scrapy的全站爬取方式：

基于Spider：
- 手动请求其他页面
基于CrawlSpider

通过链接提取器和规则解析器进行请求发和数据提取送

CrawlSpider的用法：

1、创建工程和Spider一样

2、创建爬虫文件：

 scrapy genspider -t crawl ProjectName  www.xxx.com

来看下创建的爬虫文件的代码：

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class CrawlSpiderSpider(CrawlSpider):
    name = 'Crawl_spider'
    allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.xxx.com/']
    """
    LinkExtractor :链接提取器
        allow = r"" :根据allow指定的正则规则进行匹配合法的链接
        特性：自动去除重复的链接
        
    Rule：规则提取器
        根据指定的链接提取器(LinkExtractor)进行链接提取
        然后对链接进行指定的规则(callback)解析
        LinkExtractor: 肩上
        callback: 指定对应的规则对链接进行解析
        follow:
        
    """
    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        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()
        return item

代码中类的作用初步说明：

    LinkExtractor :链接提取器
        allow = r"" : 引号为正则表达式，用以匹配对应的链接
　　　　 根据allow指定的正则规则进行匹配合法的链接
        特性：自动去除重复的链接

    Rule：规则提取器
        根据指定的链接提取器(LinkExtractor)进行链接提取
        然后对链接进行指定的规则(callback)解析
        LinkExtractor: 肩上
        callback: 指定对应的规则对链接进行解析
        follow参数:

 　　　　　　follow=True：表示”链接提取器“提取到的链接会作为start_urls  将继续被Rule进行循环规则匹配

　　　　　　 follow=False：表示仅对start_urls中的链接 做对应的规则匹配

案例：爬取阳光网投诉的编号、标题、内容

分析：

先提取每个页码的链接
对每个页面中的编号和标题进行解析提取
对每个详情页面的编号和内容进行解析提取

spider文件：

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import CrawlspiderItem, DetailItem

class CrawlSpiderSpider(CrawlSpider):
    name = 'Crawl_spider'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    rules = (
        # 对每个页码对应的链接进行提取
        Rule(LinkExtractor(allow=r'id=1&page=d+'), callback='parse_item', follow=False),
        # 新建规则提取器  对每条数据的链接进行提取
        Rule(LinkExtractor(allow=r'index?id=d+', ), callback='detail_parse',),
    )
    def parse_item(self, response):
        """对每一页数据进行解析 提取编号和标题"""
        li_lists = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for li in li_lists:
            first_id = li.xpath('./span[1]/text()').extract_first()
            title = li.xpath('./span[3]/a/text()').extract_first()
            item = CrawlspiderItem()
            item['first_id'] = first_id
            item['title'] = title

            yield item

    def detail_parse(self, response):
        """对详情页面进行解析  提取编号和内容"""
        second_id = response.xpath('/html/body/div[3]/div[2]/div[2]/div[1]/span[4]/text()').extract_first()
        content = response.xpath('/html/body/div[3]/div[2]/div[2]/div[2]/pre/text()').extract()
        content = "".join(content)

        item = DetailItem()
        item['second_id'] = second_id
        item['content'] = content

        yield item

View Code

由于需要进行两次解析，不可以进行请求传参，两个callback解析的数据不可以存储在同一个”item“中，所以需要创建两个item进行封装数据

item文件：

import scrapy

class CrawlspiderItem(scrapy.Item):
    # define the fields for your item here like:
    first_id = scrapy.Field()
    title = scrapy.Field()

class DetailItem(scrapy.Item):
    # define the fields for your item here like:
    second_id = scrapy.Field()
    content = scrapy.Field()

管道类对提交过来的item对象，进行区分进而提取对应的数据

pipelines.py

class CrawlspiderPipeline:
    def process_item(self, item, spider):
        """
        根据item类型进行对应的item数据提取
        """
        if item.__class__.__name__ == "CrawlspiderItem":
            first_id = item["first_id"]
            title = item["title"]
            print(first_id,title)
        else:
            second_id = item["second_id"]
            content = item["content"]
            print(second_id,content)
        return item

查看全文

相关阅读:
Dart语言简介
 Flutter简介
 Flutter之环境配置详解for mac版本
 mac 安卓生成证书(uniapp项目安卓证书申请)
IOS开发者账号申请流程以及开发证书与配置文件的使用
 解读typescript中 super关键字的用法
 解决Vue编译和打包时频繁内存溢出情况CALL_AND_RETRY_LAST Allocation failed
JS pc端和移动端共同实现复制到剪贴板功能实现
 Web前端接入人机识别验证码---腾讯防水墙
 Unity3D Demo项目开发记录

原文地址：https://www.cnblogs.com/fanhua-wushagn/p/12980215.html

Scrapy框架

Scrapy框架介绍

什么是scrapy框架？

Scrapy框架的功能

Scrapy框架的基本使用

环境安装：

基本使用：

1、创建Scrapy工程：

2、在spiders子目录中创建一个爬虫文件：

3、执行项目：

设置打印信息

Scrapy框架数据解析

xpath解析：

获取Selector数据

Scrapy框架的持久化存储

方式一：基于终端指令存储

方式二：基于管道存储

编码流程：

优劣势：

案例：

基于spider的全站数据爬取

请求参数

Scrapy的图片爬取：ImagesPipeline

ImagesPipeline的使用方法：

示例：爬取站长工具的图片

Scrapy的五大核心组件

中间件

下载中间件

UA伪装实现

IP代理实现

基于CrawlSpider进行全站爬取

Scrapy的全站爬取方式：

基于Spider：

CrawlSpider的用法：

案例： 爬取阳光网投诉的编号、标题、内容

案例：爬取阳光网投诉的编号、标题、内容