scrapy抓取斗鱼APP主播信息

如何进行APP抓包

首先确保手机和电脑连接的是同一个局域网（通过路由器转发的网络，校园网好像还有些问题）。

1.安装抓包工具Fiddler，并进行配置

Tools>>options>>connections>>勾选allow remote computers to connect

2.查看本机IP

在cmd窗口（win+R快捷键），输入ipconfig，查看（以太网）IP地址。

3.配置手机端。

手机连网后（和电脑端同一局域网），打开手机浏览器并访问：http://ip:8888(ip是你第二步查看到的IP地址， 8888端口是Fiddler默认端口)，

有些浏览器打不开网页，换一下浏览器就行。

如果访问成功，会出现一个网页：

4.下载证书

点击FiddlerRoot certificate，下载证书。如果不下载证书的话，只能抓到http请求，抓不到https请求。

5.安装证书

部分手机可以直接点击安装

部分手机需要通过：

设置>>wifi(或WLAN)>>高级设置>>安装证书>>选中下载好的FiddlerRoot.cer>>确定

或：

设置>>更多设置>>系统安全>>从存储设备安装

安装后，可以按照自己的意愿，给证书起一个名字，例如Fiddler，确定后会显示安装完成！

6.设置手机代理

手机设置代理后，打开Fiddler，接下来在手机端打开app或者浏览器，所有通过手机发送的请求都会被Fiddler抓取。

scrapy框架下载图片

 Scrapy用ImagesPipeline类提供一种方便的方式下载和存储图片（需要PIL库支持）。

主要特征：

• 将下载图片转化为通用的jpg和rgb格式
• 避免重复下载
• 缩略图生成
• 图片大小过滤

工作流程：

• 抓取一个item，将图片的urls放入image_urls字段
• 从Spider返回的item，传递到 Item Pipeline
• 当Item传递到ImagePipeline,将调用scrapy调度器和下载器完成image_urls中的url调度和下载。ImagePipeline会自动高优先级抓取这些url，同时，item会被锁定直到图片抓取完毕才解锁
• 图片下载成功后，图片下载路径，url和校验信息等会被填充到images字段中

scrapy抓取斗鱼主播图像

ImagePipeline简介

 首先介绍一下图片下载中的ImagePipeline类中的两个重要方法。在自定义的ImagePipeline类中要重写:

get_media_requests(item, info)和item_completed(results, items, info)；其中，正如工作流所述，Pipeline从item中获取图片的urls并下载，

所以必须重载get_media_requests，并返回一个Request对象，这些请求对象将被pipelines处理

下载完成后，结果发送发哦item_complete方法，下载结果为一个二元组的list， 每个元组包含：

（success, image_info_or_failure）,其中：

success: bool值，true表示下载成功

image_info_or_error: 如果success为True,则该字典包含以下键值对:{path:本地存储路径， checksum:校验码}

分析及编码

通过Fiddler抓包工具分析，请求连接为：http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset=0，其中

offset为变量，每次翻页增加20。

首先，使用命令创建项目

scrapy startproject Douyu

来到items.py文件，编写需要抓取的字段如下：

# -*- coding: utf-8 -*-

import scrapy

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

    # 图片链接
    image_link = scrapy.Field()

    # 图片保存路径
    image_path = scrapy.Field()

    # 主播名
    nick_name = scrapy.Field()

    # 房间号
    room_id = scrapy.Field()

    # 所在城市
    city = scrapy.Field()

    # 数据源
    source = scrapy.Field()

明确抓取目标后，生成爬虫，开始编写爬虫逻辑

scrapy genspider douyu douyucdn.com  # 生成爬虫

编写爬虫逻辑之前，在下载中间件中，给每个请求添加头部信息：

# -*- coding: utf-8 -*-

# Define here the models for your spider middleware
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/spider-middleware.html

from scrapy import signals
from Douyu.settings import USER_AGENTS as ua
import random

class DouyuSpiderMiddleware(object):
    def process_request(self, request, spider):
        """
        给每一个请求随机分配一个代理
        :param request:
        :param spider:
        :return:
        """
        user_agent = random.choice(ua)
        request.headers['User-Agent'] = user_agent

然后来到spiders文件夹下的爬虫文件，开始编写爬虫逻辑：

# -*- coding: utf-8 -*-
import json
import scrapy
from Douyu.items import DouyuItem

class DouyuSpider(scrapy.Spider):
    name = 'douyu'
    allowed_domains = ['douyucdn.cn']

    offset = 0

    # 请求url
    base_url = "http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset="
    start_urls = [base_url + str(offset)]

    def parse(self, response):
        
        # 手机端斗鱼返回的是json格式的数据，所有数据都在data中
        # 直接从请求响应体中获取数据
        node_list = json.loads(response.body)['data']
        
        # 如果拿不到数据，说明已经爬取完所有翻页
        if not node_list:
            return

        # 对具体数据进行解析
        for node in node_list:
            
            # 数据保存
            item = DouyuItem()
            item['image_link'] = node['vertical_src']
            item['nick_name'] = node['nickname']
            item['room_id'] = node['room_id']
            item['city'] = node['anchor_city']

            yield item
        
        # 实现翻页
        self.offset += 20
        yield scrapy.Request(self.base_url + str(self.offset), callback=self.parse)

编写完爬虫逻辑后，可以开始编写图片下载逻辑了，来到pipelines文件：

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

# scrapy下载图片专用管道
from scrapy.pipelines.images import ImagesPipeline
# 在setting中指定图片存储路径
from Douyu.settings import IMAGES_STORE

class ImageSourcePipeline(object):
    
    # 添加数据源
    def process_item(self, item, spider):
        item['source'] = spider.name
        return item


class DouyuImagePipeline(ImagesPipeline):

    # 发送图片链接请求
    def get_media_requests(self, item, info):
        # 获取item数据的图片链接
        image_link = item['image_link']

        # 发送图片请求，响应会保存在settings中指定的路径下(IMAGES_STORE)
        try:
            yield scrapy.Request(url=image_link)
        except:
            print(image_link)

    def item_completed(self, results, item, info):
        """
        :param results: 下载图片结果,包含一个二元组（下载状态，图片路径）
        :param item:
        :param info:
        :return:
        """
        # 取出每个图片的原本路径
        # path为设定的图片存储路径
        image_path = [x['path'] for ok, x in results if ok]

        # 默认保存当前图片的路径
        old_name = IMAGES_STORE + '\' + image_path[0]

        # 新建当前图片路径,因为默认路径有一些不需要的东西
        new_name = IMAGES_STORE + '\'+item['nick_name'] + '.jpg'

        item['image_path'] = new_name
        try:
            # 将原本路径的图片名，修改为新建的图片名
            os.rename(old_name, new_name)
        except:
            print("INFO:图片更名错误！")

        return item

整体逻辑编写完成，在settings文件中分别打开中间件、管道等的注释信息，即可运行爬虫！

运行结果：

完整代码

参见：https://github.com/zInPython/Douyu