15、Python Scrapy Web爬虫框架【3】

1、校花网图片爬取

• 实现：
  • 1.爬虫文件中将图片名称和地址获取，封装到item中，将item提交给管道
  • 2.定义一个新的管道，在新的管道中进行图片的请求和持久化存储
    • 需要事先配置文件中进行：IMAGES_STORE = './dirName'

创建scrapy项目

scrapy startproject imgpro

cd imgpro

scrapy genspider img www.xx.com

settings.py

IMAGES_STORE = './imgLibs'

BOT_NAME = 'imgpro'

SPIDER_MODULES = ['imgpro.spiders']

NEWSPIDER_MODULE = 'imgpro.spiders'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61'

ROBOTSTXT_OBEY = False

LOG_LEVEL = 'ERROR'

ITEM_PIPELINES = {
   'imgpro.pipelines.ImgproPipeline': 300,
}

items.py

import scrapy

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

pipelines.py

from scrapy.pipelines.images import ImagesPipeline
import scrapy

class ImgproPipeline(ImagesPipeline):

    # 可以接受爬虫文件传过来的item
    # 可以对图片的地址进行请求发送
    def get_media_requests(self, item, info):
        print(item)
        yield scrapy.Request(url=item['img_src'],meta={'item':item})

    #详细制定图片存储的路径
    def file_path(self, request, response=None, info=None):
        item = request.meta['item']
        img_name = item['img_name']
        print(img_name,'下载成功！')
        return img_name

    def item_completed(self, results, item, info):
        #可以将item传递给下一个传递给下一个即将被执行的管道类
        return item

img.py

import scrapy
from imgpro.items import ImgproItem

class ImgSpider(scrapy.Spider):
    name = 'img'
    # allowed_domains = ['www.xx.com']
    start_urls = ['http://www.521609.com/daxuemeinv/']

    def parse(self, response):
        li_list = response.xpath('//*[@id="content"]/div[2]/div[2]/ul/li')
        for li in li_list:
            img_src = 'http://www.521609.com' + li.xpath('./a[1]/img/@src').extract_first()
            img_name = li.xpath('./a[1]/img/@alt').extract_first()+'.jpg'
            item = ImgproItem()
            item['img_src'] = img_src
            item['img_name'] = img_name

            yield item

效果：

2、中间件-爬取网易新闻：

• 拦截响应，目的是为了篡改响应数据。

 **分析**：

 - 1.将国内，国际，航空，无人机，军事五个板块中的数据进行爬取
 - 2.网易首页是没有动态加载数据
   - 因此就可以直接在首页中解析出每一个板块对应的url
 - 3.每一个板块对应的页面中新闻标题数据是动态加载出来。
   - 问题：在当前解析环节中出现了动态加载数据。目前请求到的数据是不存在动态加载数据（不满足需求的响应数据）
   - 将不满足需求的响应数据篡改成满足需求的响应数据（包含了动态加载的数据）
   - 可以通过中间件拦截到不满足需求的响应对象，从而获取不满足需求的响应数据，然后对其进行篡改
 - 4.通过selenium获取满足需求的响应数据
   - 1.在爬虫类中实例化浏览器对象
   - 2.在中间件中基于selenum发起请求获取数据
   - 3.关闭浏览器：在爬虫类中重写一个closed方法，将关闭操作写入该方法中

创建scrapy项目

scrapy startproject imgpro

cd imgpro

scrapy genspider img www.xx.com

settings.py

BOT_NAME = 'wangyipro'

SPIDER_MODULES = ['wangyipro.spiders']
NEWSPIDER_MODULE = 'wangyipro.spiders'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61'

ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'

DOWNLOADER_MIDDLEWARES = {
   'wangyipro.middlewares.WangyiproDownloaderMiddleware': 543,
}

ITEM_PIPELINES = {
   'wangyipro.pipelines.WangyiproPipeline': 300,
}

items.py

import scrapy


class WangyiproItem(scrapy.Item):
    title = scrapy.Field()
    content = scrapy.Field()

pipelines.py

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

wangyi.py

# -*- coding: utf-8 -*-
import scrapy
from selenium import webdriver
from wangyipro.items import WangyiproItem

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://news.163.com/']
    # 实例化浏览器对象
    bro = webdriver.Chrome('E:crawlerscrapy_07chromedriver.exe')
    five_model_urls = []
    def parse(self, response):
        li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        # 国内，国际，航空，无人机，军事五个板块中对用的索引位置
        # 解析出5个板块对用的URL
        model_index = [3,4,6,7,8]
        for index in model_index:
            li = li_list[index]
            model_url = li.xpath('./a/@href').extract_first()
            self.five_model_urls.append(model_url)
            yield scrapy.Request(url=model_url,callback=self.parse_model)

    # 解析板块页面中的新闻标题新闻标题的url，解析的这两个数据都是动态加载出来
    def parse_model(self, response):  # 用来解析每一个板块对应的页面内容
        div_list = response.xpath('/html/body/div[1]/div[3]/div[4]/div[1]/div/div/ul/li/div/div')
        for div in div_list:
            new_title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
            new_detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
            item = WangyiproItem()
            item['title'] = new_title
            if new_detail_url:
                yield scrapy.Request(url=new_detail_url, callback=self.parse_new_detail, meta={'item': item})

    def parse_new_detail(self, response):
        item = response.meta['item']
        content = response.xpath('//*[@id="endText"]//text()').extract()
        content = ''.join(content)
        content = content.strip("	
")
        item['content'] = content
        yield item

    # 重写父类的一个方法
    def closed(self, spider):
        print('closed方法会在整个爬虫结束后调用一次')
        self.bro.quit()

middlewares.py

from scrapy import signals
from time import sleep

from scrapy.http import HtmlResponse    #scrapy封装好的响应对象

class WangyiproDownloaderMiddleware:

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

    # 拦截所有的响应对象
    def process_response(self, request, response, spider):
        # 当前代码一共产生了6个响应对象，其中5个不满足需求的响应对象
        # 通过process_response将5个不满足需求的响应对象找出
        #     可以通过URL定位这5个响应对象
        # 参数：spider爬虫类实例化的对象
        if request.url in  spider.five_model_urls:
            # request.url就是每一个响应对象对应的URL
            # 将响应数据篡改成满足需求的响应数据
            # 什么是满足需求的响应数据：包含了动态加载的新闻数据
            # 如何获取满足需求的响应数据：通过selenium
            bro = spider.bro
            bro.get(request.url)
            sleep(2)
            # execute_script让selenium让页面下滑一页数据，加载出更多的数据
            bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
            # 获取包含动态加载的页面数据，获取满足需求的响应数据
            page_text = bro.page_source
            # 将page_text篡改到当前的响应对象中
            #实例化一个新的满足需求的响应对象进行返回
            new_response = HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request)
            sleep(2)
            return new_response
        else:
            return response

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

效果：

3、全站数据爬取

全站数据爬取是值将一张页面中所有页码的数据进行爬取

CrawlSpider使用

• 创建一个工程

• cd 工程

• 创建一个基于CrawlSpider的爬虫类

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

• CrawlSpider是Spider的一个子类

• LinkExtractor：链接提取器

  • 可以根据指定规则在页面中进行连接的提取

• Rule：规则解析器

  • 可以接受链接提取器提取到的链接，对其发起请求，然后根据指定规则进行相关的数据解析操作

爬取阳光热线问政平台问政标题数据

sun.py

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

class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&type=4&page=']
    #实例化的链接提取器的对象
    #参数allow='正则'：提取规则
    #使用LinkExtractor提取所有的页码链接
    link = LinkExtractor(allow=r'id=1&page=d+')
    # link = LinkExtractor(allow=r'') 可取取到网站中所有的链接

    rules = (
        Rule(link, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for li in li_list:
            title = li.xpath('./span[3]/a/text()').extract_first()
            print(title)

settings.py

BOT_NAME = 'sunpro'

SPIDER_MODULES = ['sunpro.spiders']
NEWSPIDER_MODULE = 'sunpro.spiders'


USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'

4、分布式-爬取阳光热线问政平台问政标题数据

• 什么是分布式：需要使用多台机器搭建一个分布式机群，让每一台电脑联合对一个资源进行数据爬取

• 实现分布式的方法：

  • scrapy+scrapy-redis

  • 作用：Scrapy-redis可以给scrapy提供可以被分布式机群共享的管道和调度器

    • scrapy-redis组件，可以帮助scrapy实现分布式

  • 原生的scrapy框架是无法实现分布式

    • 原因：调度器和管道无法被分布式机群共享

• 实现分布式的流程

  • 下载scrapy-redis组件

  pip instal scrapy-redis
  

  • 创建一个基于CrawlSpider的工程
    • scrapy startproject fbs
    • cd fbs
    • scrapy genspider -t crawl fbs www.xxx.com

  修改爬虫文件

  • 导入scrapy-redis：from scrapy_redis.spiders import RedisCrawlSpider

  • 将RedisCrawlSpider作为当前爬虫类的父类

  • 将start_url修改成redis_key的属性

    • redis_key属性值就表示可以被共享的调度器队列的名称

  • 实现数据的爬取

  • 修改工程的配置文件

    settings.py

  #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, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
  SCHEDULER_PERSIST = True
  #指定redis因为分布式只能将数据写入到redis数据库
  REDIS_HOST = '127.0.0.1'
  REDIS_PORT = 6379
  REDIS_PARAMS = {'password':'foobared'}
  

  fbs.py

  # -*- coding: utf-8 -*-
  import scrapy
  from scrapy.linkextractors import LinkExtractor
  from scrapy.spiders import CrawlSpider, Rule
  from scrapy_redis.spiders import RedisCrawlSpider
  from  fbspro.items import FbsproItem
  
  
  class FbsSpider(RedisCrawlSpider):
      name = 'fbs'
      # allowed_domains = ['www.xxx.com']
      # start_urls = ['http://www.xxx.com/']
  
      redis_key = 'fbsQueue'
  
      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/body/div[2]/div[3]/ul[2]/li')
          for li in li_list:
              title = li.xpath('./span[3]/a/text()').extract_first()
              item = FbsproItem()
              item['title'] = title
              yield item
  

  • 修改redis的配置文件，然后启动redis的服务端和客户端
    redis.windows.conf
    56行：#bind 127.0.0.1
    75行：protected-mode no

  • 执行工程

  • 向调度器的队列中仍入一个起始的url：

    • 调度器的队列是存在于redis中，需要在redis的客户端执行：

      • lpush fbsQueue 起始的url

        redis数据查看爬取到了315条数据

5、增量式-爬取4567电影网

• 作用：用来检测网站数据更新的情况，只把最新更新出来的数据进行爬取
  • 核心：能够检测出哪些数据被爬取过。
    • 记录表的机制检测数据是否被爬取过。
  • 将爬取过的电影的详情页url存放到记录表中
  • 下次在爬取数据前，需要在记录表中做检查，如果记录表中存在的电影我们就不爬取。
  • 谁可以充当记录表？
    • 记录表是需要持久化存储。选择使用redis的set充当记录表

zls.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis
from zlspro.items import ZlsproItem


class ZlsSpider(CrawlSpider):
    name = 'zls'
    conn = Redis(host='127.0.0.1',port=6379,password='foobared')
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567kan.com/index.php/vod/show/id/5/lang/%E5%9B%BD%E8%AF%AD/page/27.html']

    rules = (
        Rule(LinkExtractor(allow=r'page/d+.html'), callback='parse_item', follow=True),
    )

    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:
            title = li.xpath('./div/a/@title').extract_first()
            item=ZlsproItem()
            item['title'] = title
            detail_url = 'https://www.4567kan.com'+li.xpath('./div/a/@href').extract_first()
            ex = self.conn.sadd('movie_url',detail_url)
            if ex == 1:#插入的电影的URL在movie_url这个Redis的集合中不存在
                print(title,'爬取成功！！')
                yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={"item":item})
            else:
                print('无最新数据更新')

    def parse_detail(self,response):
        item = response.meta['item']
        desc =response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()').extract_first()
        item['desc'] = desc

        yield item

items.py

import scrapy


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

pipelines.py

class ZlsproPipeline:
    def process_item(self, item, spider):
        conn = spider.conn
        conn.lpush('movie_Deta',item)
        return item

结果：

Redis中查询URL对应电影名称都是211条数据

再次爬取数据库中存在显示无数据更新