scrapy框架（2）

一、使用scrapy框架发送post请求

1、需求一：使用scrapy发送百度翻译中的ajax请求

　　创建一个项目，如下目录，修改settings.py文件中的 "ROBOTSTXT_OBEY"和"USER_AGENT"

# postPro/postPro/spiders/post.py

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


class PostSpider(scrapy.Spider):
    name = 'post'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://fanyi.baidu.com/sug']

    def start_requests(self):
        data = {
            "kw":"dog"
        }
        for url in self.start_urls:
            yield scrapy.FormRequest(url=url, formdata=data, callback=self.parse)

    def parse(self, response):
        print(response.text)

2、需求二：基于scrapy实现模拟登录

　　自己尝试实现！

二、请求传参

　　我们知道有时候需要爬取的数据并不是都在一个页面中，而是在不同页面中，这时候用scrapy框架该如何做呢？下面以爬取：https://www.4567tv.tv/frim/index1.html 中的数据为例说明。

1、创建一个项目，目录结构如下，并修改settings.py文件中的 "ROBOTSTXT_OBEY"和"USER_AGENT"

2、各文件内容如下

# moviePro/moviePro/spiders/movie.py

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

from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):
    name = 'movie'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567tv.tv/frim/index1.html']

　 # 解析详情页中的数据
    def parse_detail(self, response):
　　　　 # response.meta 返回接收到的meta字典
        item = response.meta['item'] 
        actor = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[3]/a/text()').extract_first()
        item['actor'] = actor

        yield item


    def parse(self, response):
        li_list = response.xpath('//li[@class="col-md-6 col-sm-4 col-xs-3"]')
        for li in li_list:
            item = MovieproItem()
            name = li.xpath('./div/a/@title').extract_first()
            detail_url = 'https://www.4567tv.tv' + li.xpath('./div/a/@href').extract_first()
            item['name'] = name
            yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={'item': item})

# moviePro/moviePro/items.py

import scrapy

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

# moviePro/moviePro/pipelines.py

class MovieproPipeline(object):
    def process_item(self, item, spider):
        print(item)
        return item

　　注意：要将settings.py中的"ITEM_PIPELINES"放开注释！

3、运行结果

三、日志等级

1、修改日志等级

　　通过修改settings.py中的参数 LOG_LEVEL 来修改日志等级，比如可以改为 ERROR

# settings.py
LOG_LEVEL = "ERROR"

2、指定日志输出文件

# settings.py
LOG_FILE = './log.txt'

四、scrapy的五大核心组件

1、五大核心组件工作流程如下图：

　　解释如下：

　　- 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）

　　　　用来接收引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回，可以想象成一个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

2、案例一

　　当批量请求时，对不同的请求使用不同的UA伪装和IP代理，可以利用DownloaderMiddleware，新建一个项目，目录结构如下：

　　各文件内容如下：

# middlePro/middlePro/middlewares.py

import random

from scrapy import signals


class MiddleproDownloaderMiddleware(object):

    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',
    ]

    # 拦截所有未发生异常的请求
    def process_request(self, request, spider):

        # 使用UA池进行请求的UA伪装
        request.headers["User-Agent"] = random.choice(self.user_agent_list)
        print(request.headers['User-Agent'])
        return None


    # 拦截所有的响应
    def process_response(self, request, response, spider):
        return response


    # 拦截到产生异常的请求
    def process_exception(self, request, exception, spider):
        print('this is process_exception!')
        if request.url.split(':')[0] == 'http':
            request.meta['proxy'] = random.choice(self.PROXY_http)
        else:
            request.meta['proxy'] = random.choice(self.PROXY_https)

# middlePro/middlePro/spiders/middle.py

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


class MiddleSpider(scrapy.Spider):
    name = 'middle'
    allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.baidu.com/s?wd=ip']

    def parse(self, response):
        pass

　　注意：settings.py中的参数 "DOWNLOADER_MIDDLEWARES" 解开注释！

3、案例二

　　抓取网易新闻"军事"模块（http://war.163.com/）的页面信息，注意动态加载。

　　思路提示：页面是有动态加载信息，因此我们要使用selenium模块。

　　新建一个scrapy项目，目录结构如下：

　　各文件代码如下：

# wangyiPro/wangyiPro/spieders/wangyi.py

# -*- coding: utf-8 -*-
import scrapy
from selenium import webdriver

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://war.163.com/']

    def __init__(self):
        self.bro = webdriver.Chrome(executable_path=r'D:@Lilymyprojectpachongchromedriver.exe')


    def parse(self, response):
        div_list = response.xpath('//div[@class="data_row news_article clearfix "]')
        for div in div_list:
            title = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()
            print(title)


    def closed(self, spider):
        print('关闭浏览器对象！')
        self.bro.quit()

# wangyiPro/wangyiPro/middlewares.py

from time import sleep
from scrapy import signals
from scrapy.http import HtmlResponse


class WangyiproDownloaderMiddleware(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.

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        return None

    def process_response(self, request, response, spider):
        # 获取动态加载出来的数据
        bro = spider.bro
        bro.get(url=request.url)
        sleep(3)
        # 包含了动态加载出来的新闻数据
        page_text = bro.page_source
        sleep(3)
        return HtmlResponse(url=spider.bro.current_url, body=page_text, encoding='utf-8', request=request)


    def process_exception(self, request, exception, spider):
        pass

　　注意：settings.py文件中要配置好参数"ROBOTSTXT_OBEY"和"ROBOTSTXT_OBEY"，并且解开中间件参数"DOWNLOADER_MIDDLEWARES"的注释。

　　运行结果如下：

　　总结：在scrapy中使用selenium的编码流程：

　　1）在spider的构造方法中创建一个浏览器对象（作为当前spider的一个属性）
　　2）重写spider的一个方法closed(self,spider)，在该方法中执行浏览器关闭的操作
　　3）在下载中间件的process_response方法中，通过spider参数获取浏览器对象
　　4）在中间件的process_response中定制基于浏览器自动化的操作代码（获取动态加载出来的页面源码数据）
　　5）实例化一个响应对象，且将page_source返回的页面源码封装到该对象中
　　6）返回该新的响应对象

五、相关参考博客

　　https://www.cnblogs.com/bobo-zhang/p/10069001.html

　　https://www.cnblogs.com/bobo-zhang/p/10069004.html

　　https://www.cnblogs.com/bobo-zhang/p/10013011.html