scrapy
爬虫框架
-
框架
-
爬虫框架
- scrapy
- pyspider
- crawley
-
scrapy框架介绍
-
安装
- 利用pip
-
scrapy概述
- 包含各个部件
- ScrapyEngine： 神经中枢，大脑，核心、
- Scheduler调度器：引擎发来的request请求，调度器需要处理，然后交换引擎
- Downloader下载器：把引擎发来的requests发出请求，得到response
- Spider爬虫： 负责把下载器得到的网页/结果进行分解，分解成数据+链接
- ItemPipeline管道： 详细处理Item
- DownloaderMiddleware下载中间件： 自定义下载的功能扩展组件
- SpiderMiddleware爬虫中间件：对spider进行功能扩展
- 包含各个部件
-
爬虫项目大概流程
- 新建项目：scrapy startproject xxx
- 明确需要目标/产出: 编写item.py
- 制作爬虫 ： 地址 spider/xxspider.py
- 存储内容： pipelines.py,
-
ItemPipeline
- 对应的是pipelines文件
- 爬虫提取出数据存入item后，item中保存的数据需要进一步处理，比如清洗，去重，存储等
- process_item:
- spider提取出来的item作为参数传入，同时传入的还有spider
- 此方法必须实现
- 必须返回一个Item对象，被丢弃的item不会被之后的pipeline处理
- init:构造函数
- 进行一些必要的参数初始化
- open_spider(spider):
- spider对象被开启的时候调用
- close_spider(spider):
- 当spider对象被关闭的时候调用
-
Spider
- 对应的是文件夹spiders下的文件
- init: 初始化爬虫名称，start_urls列表
- start_requests:生成Requests对象交给Scrapy下载并返回response
- parse： 根据返回的response解析出相应的item，item自动进入pipeline； 如果需要，解析出url，url自动交给
requests模块，一直循环下去 - start_request: 此方法仅能被调用一次，读取start_urls内容并启动循环过程
- name:设置爬虫名称
- start_urls: 设置开始第一批爬取的url
- allow_domains:spider允许爬去的域名列表
- start_request(self)： 只被调用一次
- parse
- log:日志记录
-
中间件(DownloaderMiddlewares)
- 中间件是处于引擎和下载器中间的一层组件
- 可以有很多个，被按顺序加载执行
- 作用是对发出的请求和返回的结果进行预处理
- 在middlewares文件中
- 需要在settings中设置以便生效
- 一般一个中间件完成一项功能
- 必须实现以下一个或者多个方法
-
process_request(self, request, spider)
- 在request通过的时候被调用
- 必须返回None或Response或Request或raise IgnoreRequest
- None: scrapy将继续处理该request
- Request： scrapy会停止调用process_request并冲洗调度返回的reqeust
- Response： scrapy不会调用其他的process_request或者process_exception，直接讲该response作为结果返回
同时会调用process_response函数
-
process_response(self, request, response, spider)
- 跟process_request大同小异
- 每次返回结果的时候会自动调用
- 可以有多个，按顺序调用
-
案例代码
import random import base64 # 从settings设置文件中导入值 from settings import USER_AGENTS from settings import PROXIES # 随机的 User-Agent class RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) request.headers.setdefault("User-Agent", useragent) class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy['user_passwd'] is None: # 没有代理账户验证的代理使用方式 request.meta['proxy'] = "http://" + proxy['ip_port'] else: # 对账户密码进行 base64 编码转换 base64_userpasswd = base64.b64encode(proxy['user_passwd']) # 对应到代理服务器的信令格式里 request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port'] -
设置settings的相关代码
USER_AGENTS = [ "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K- Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5" ] PROXIES = [ {'ip_port': '111.8.60.9:8123', 'user_passwd': 'user1:pass1'}, {'ip_port': '101.71.27.120:80', 'user_passwd': 'user2:pass2'}, {'ip_port': '122.96.59.104:80', 'user_passwd': 'user3:pass3'}, {'ip_port': '122.224.249.122:8088', 'user_passwd': 'user4:pass4'}, ]
-
-
去重
-
为了放置爬虫陷入死循环，需要去重
-
即在spider中的parse函数中，返回Request的时候加上dont_filter=False参数
myspeder(scrapy.Spider): def parse(.....): ...... yield scrapy.Request(url=url, callback=self.parse, dont_filter=False)
-
-
如何在scrapy使用selenium
-
可以放入中间件中的process_request函数中
-
在函数中调用selenium，完成爬取后返回Response
calss MyMiddleWare(object): def process_request(.....): driver = webdriver.Chrome() html = driver.page_source driver.quit() return HtmlResponse(url=request.url, encoding='utf-8', body=html, request=request)
-
-
案例e16-qq招聘
- 创建项目
- 编写item
- 编写spider
- 编写pipeline
- 设置pipeline
-
案例 e14-scrapy-baidu
- 利用最简单的爬虫
- 爬去百度页面
- 关闭配置机器人协议
- scrapy startproject baidu
- scrapy crawl baidu
-
案例e15-meiju
- 创建新项目
- 分析网页，定义item
- 编写pipeline， 确定如何处理item
- 编写spider， 确定如何提取item
- 可以通过增加一个单独命令文件的方式在pycharm中启动爬虫
-
案例e17-校花网
- 创建项目
- 编写item
- spider
- pipeline
- 设置pipeline
- 中间件， 会使用selenium