zoukankan      html  css  js  c++  java

  • 爬虫——Scrapy框架 https://www.cnblogs.com/mayi0312/tag/%E7%88%AC%E8%99%AB/

    爬虫——Scrapy框架

     https://www.cnblogs.com/mayi0312/tag/%E7%88%AC%E8%99%AB/
    https://www.cnblogs.com/mayi0312/tag/Python/
    https://www.cnblogs.com/mayi0312/tag/selenium/
     
    • Scrapy是用纯Python实现的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，用途非常广泛。
    • 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来爬取网页内容以及各种图片，非常方便。
    • Scrapy使用了Twisted异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

    Scrapy架构图

    • Scrapy Engine（引擎）：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
    • Scheduler（调度器）：它负责接受引擎发送过来的Resquest请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
    • Downloader（下载器）：负责下载Scrapy Engine（引擎）发送的所有Resquests请求，并将其获取到的Responses交还给Scrapy Engine（引擎），由引擎交给Spider来处理。
    • Spider（爬虫）：它负责处理所有Responses，从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler（调度器）。
    • Item Pipeline（管道）：它负责处理Spider中获取到的Item，并进行后期处理（详细分析、过滤、存储等）的地方。
    • Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
    • Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses和从Spider出去的Resquests）。

    制作Scrapy爬虫一共需要4步：

    • 新建项目（scrapy startproject 项目名）：新建一个新的爬虫项目
    • 明确目标（编写items.py）：明确你想要爬取的目标
    • 制作爬虫（spiders/xxxspider.py）：制作爬虫开始爬取网页
    • 存储内容（pipelines.py）：设计管道存储爬取内容

    入门案例

    目标：

    • 创建一个Scrapy项目
    • 定义提取的结构化数据（Item）
    • 编写爬取网站的Spider并提取出结构化数据（Item）
    • 编写Item Pipelines来存储提取到的Item（结构化数据）

    一、新建项目（scrapy startproject）

    在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行命令：

    1
    scrapy startrpoject mySpider

    其中，mySpider为项目名称，可以看到将会创建一个mySpider文件夹，目录结构大致如下：

    下载来简单介绍一下各个主要文件的作用：

    1
    2
    3
    4
    5
    6
    7
    scrapy.cfg：项目的配置文件
    mySpider/：项目的Python模块，将会从这里引用代码
    mySpider/items.py：项目的目标文件
    mySpider/middlewares.py：项目的管道文件
    mySpider/pipelines.py：项目的管道文件
    mySpider/settings.py：项目的设置文件
    mySpider/spiders/：存储爬虫代码目录

    二、明确目标（mySpider/items.py）

    我们这里以抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息为例。

    1.打开mySpider目录下的items.py

    2.Item定义结构化数据字段，用来保存爬取的数据，有点像Python中的dict，但是提供了一些额外的保护以减少错误。

    3.可以通过创建一个scrapy.Item类，并且定义类型为scrapy.Field的类属性来定义一个Item。

    4.接下来，创建一个ItcastItem类和构建item模型（model）。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    import scrapy
     
    class ItcastItem(scrapy.Item):
        # define the fields for your item here like:
        # 教师名
        name = scrapy.Field()
        # 职称
        level = scrapy.Field()
        # 简介
        info = scrapy.Field()

    三、制作爬虫（spiders/itcastSpider.py）

    爬虫功能要分两步：

    1.爬数据

    在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

    1
    scrapy genspider itcast "itcast.cn"

    打开mySpider/spider目录里的itcast.py，默认增加了下列代码：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    import scrapy
     
    class ItcastSpider(scrapy.Spider):
        name = "itcast"
        allowed_domains = ["itcast.cn"]
        start_urls = (
            'http://www.itcast.cn/',
        )
     
        def parse(self, response):
            pass

    我们也可以自行创建itcast.py并编写上面的代码，只不过使用命令可以免云编写固定代码的麻烦

    要建立一个Spider，你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    name = ""：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
     
    allow_domains = []：是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
     
    start_urls = ()：爬取的URL元组/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
     
    parse(self, response)：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
        1.负责解析返回的网页数据（response.body），提取结构化数据（生成item）
        2.生成需要下一页的URL请求。

    将start_urls的值修改为需要爬取的第一个url

    1
    2
    3
    4
    5
    start_urls = ("http://www.itcast.cn/channel/teacher/shtml",)
     
    或
     
    start_urls = ["http://www.itcast.cn/channel/teacher/shtml"]

    2.取数据

    爬取整个网页完毕，接下来的就是取的过程了，首先观察页面源码：

    1
    2
    3
    4
    <div class="li_txt">
        <h3> xxx </h3>
        <h4> xxx </h4>
        <p> xxxxx </p>

    则parse函数代码如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    def parse(self, response):
        item = ItcastspiderItem()
        for each in response.xpath("//div[@class='li_txt']"):
            name = each.xpath("h3/text()").extract()
            level = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()
     
            item["name"] = name[0].strip()
            item["level"] = level[0].strip()
            item["info"] = info[0].strip()
     
            yield item

    Item Pipeline

    当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

    每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

    　　验证爬取的数据（检查item包含某些字段，比如说name字段）

    　　查重

    　　将爬取结果保存到文件或者数据库中

    编写item pipeline很简单，item pipeline组件是一个独立的Python类，其中process_item()方法必须实现：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    # -*- coding: utf-8 -*-
     
    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
     
    import json
     
    class ItcastspiderPipeline(object):
        def __init__(self):
            self.file = open("传智教师.json", "w", encoding = "utf-8")
            self.first_flag = True
     
        def process_item(self, item, spider):
            if self.first_flag:
                self.first_flag = False
                content = "[ " + json.dumps(dict(item), ensure_ascii = False)
            else:
                content = ", " + json.dumps(dict(item), ensure_ascii = False)
     
            self.file.write(content)
     
            return item
     
        def close_spider(self, spider):
            self.file.write(" ]")
            self.file.close()

    启用一个Item Pipeline组件

    为了启用Item Pipeline组件，必须将它的类添加到settings.py文件ITEM_PIPELINES配置，就像下面这个例子：

    1
    2
    3
    4
    5
    # Configure item pipelines
    # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
    ITEM_PIPELINES = {
        'itcastSpider.pipelines.ItcastspiderPipeline': 300,
    }

    分配组每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

    启动爬虫

    1
    scrapy crawl teacher

    查看本地磁盘是有生成传智教师.json

    爬虫——模拟点击动态页面

     

    动态页面的模拟点击：

    以斗鱼直播为例：http://www.douyu.com/directory/all

    爬取每页的房间名、直播类型、主播名称、在线人数等数据，然后模拟点击下一页，继续爬取

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    #!/usr/bin/python3
    # -*- coding:utf-8 -*-
    __author__ = 'mayi'
     
    """
    动态页面的模拟点击：
        模拟点击斗鱼直播：http://www.douyu.com/directory/all
        爬取每页房间名、直播类型、主播名称、在线人数等数据，然后模拟点击下一页，继续爬取
    """
     
    from selenium import webdriver
    import json
     
    # 调用环境变量指定的PhantomJS浏览器创建浏览器对象，executable_path：指定PhantomJS位置
    driver = webdriver.PhantomJS(executable_path = r"D:Program Filesphantomjsinphantomjs")
    from bs4 import BeautifulSoup
     
    class DouyuSpider(object):
        """
        爬虫类
        """
        def __init__(self):
            self.url = "http://www.douyu.com/directory/all/"
            self.driver = webdriver.PhantomJS()
            self.file_name = open("douyu.json", "w", encoding = "utf-8")
     
        def run(self):
            """
            爬虫开始工作
            """
            self.driver.get(self.url)
            # 循环处理每一页，直至最后一页
            page = 1
            start_flag = True
            while True:
                # 等待3秒，防止访问过于频繁
                self.driver.implicitly_wait(3)
                print("正在处理第" + page + "页......")
                page += 1
                # 解析
                soup = BeautifulSoup(self.driver.page_source, "lxml")
                # 在线直播部分
                online_live = soup.find_all('ul', {'id': 'live-list-contentbox'})[0]
                # 房间列表
                live_list = online_live.find_all('li')
                # 处理每一个房间
                for live in live_list:
                    # 房间名、直播类型、主播名称、在线人数
                    # 房间名
                    home_name = live.find_all('h3', {'class': 'ellipsis'})[0].get_text().strip()
                    # 直播类型
                    live_type = live.find_all('span', {'class': 'tag ellipsis'})[0].get_text().strip()
                    # 主播名称
                    anchor_name = live.find_all('span', {'class': 'dy-name ellipsis fl'})[0].get_text().strip()
                    # 在线人数
                    online_num = live.find_all('span', {'class' :'dy-num fr'})[0].get_text().strip()
                    # print(home_name, live_type, anchor_name, online_num)
                    item = {}
                    item["房间名"] = home_name
                    item["直播类型"] = live_type
                    item["主播名称"] = anchor_name
                    item["在线人数"] = online_num
                    if start_flag:
                        start_flag = False
                        content = "[ " + json.dumps(item)
                    else:
                        content = ", " + json.dumps(item)
                    self.file_name.write(content)
                # page_source.find()未找到内容则返回-1
                if self.driver.page_source.find('shark-pager-disable-next') != -1:
                    # 已到最后一页
                    break
                # 模拟点击下一页
                self.driver.find_element_by_class_name('shark-pager-next').click()
     
            # 爬虫结束前关闭文件
            self.file_name.write(" ]")
            self.file_name.close()
     
     
     
    if __name__ == '__main__':
        douyu = DouyuSpider()
        douyu.run()
     
  • 相关阅读:
    volatile用法
    static用法
    sizeof用法
    C语言void关键字的深刻含义
    extern用法
    const用法
    attribute用法
    Task的运行过程分析
    Android BroadcastReceiver实例Demo（有序广播的发送）
    旅行-许巍
  • 原文地址：https://www.cnblogs.com/xinxihua/p/14461307.html
Copyright © 2011-2022 走看看