scrapy异步的爬虫框架。
-
异步的爬虫框架。
- 高性能的数据解析，持久化存储，全栈数据的爬取，中间件，分布式
-
框架：就是一个集成好了各种功能且具有很强通用性的一个项目模板。
-
环境安装：
Linux：pip3 install scrapy
Windows：
a. pip3 install wheel
b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
d. pip3 install pywin32
e. pip3 install scrapy
-
基本使用
-
1.新建一个工程：scrapy startporject proName
- settings.py:当前工程的配置文件
- spiders：爬虫包，必须要存放一个或者多个爬虫文件（.py）
-
2.cd proName
-
3.scrapy genspider spiderName www.xxx.com
-
4.执行工程：scrapy crawl spiderName
-
settings.py:
- 不遵从robots协议
- UA伪装
- 指定日志输出的类型：LOG_LEVEL = 'ERROR'
-
-
数据解析：
- 1.response.xpath('xpath表达式')
- 2.scrapy中的xpath解析，在进行数据提取的时候，xpath方法返回的列表中存储的不再是字符串，
而是存储的Selector对象，相关的字符串数据是存储在Selector对象的data参数中，我们必须使用
extract()/extract_first()进行字符串数据的提取 - extract()：可以作用到列表中的每一个列表元素中，返回的依然是一个列表
- extract_first()：只可以作用到列表中的第一个列表元素中，返回的是字符串
-
持久化存储
- 基于终端指令的持久化存储
- 只可以将parse方法的返回值存储到指定后缀的文本文件中。
- scrapy crawl spiderName -o ./duanzi.csv
- 基于管道的持久化存储
- 基于终端指令的持久化存储
# -*- coding: utf-8 -*-
import scrapy
class FirstSpider(scrapy.Spider):
#爬虫名称：当前爬虫文件的唯一标识
name = 'first'
#允许的域名
# allowed_domains = ['www.baidu.com']
#起始的url列表：列表元素只可以是url
#作用：列表元素表示的url就会被进行请求发送
start_urls = ['http://duanziwang.com/category/%E7%BB%8F%E5%85%B8%E6%AE%B5%E5%AD%90/']
#数据解析
#调用次数是由请求次数决定
# def parse(self, response):
# article_list = response.xpath('/html/body/section/div/div/main/article')
# for article in article_list:
# #xpath在进行数据提取时，返回的不再是字符串而是一个Selector对象，想要的数据被包含在了该对象的data参数中
# # title = article.xpath('./div[1]/h1/a/text()')[0].extract()
# title = article.xpath('./div[1]/h1/a/text()').extract_first()
# content = article.xpath('./div[2]//text()').extract()
# content = ''.join(content)
# print(title,content)
#==基于终端指令的持久化存储==
def parse(self, response):
all_data = []
article_list = response.xpath('/html/body/section/div/div/main/article')
for article in article_list:
#xpath在进行数据提取时，返回的不再是字符串而是一个Selector对象，想要的数据被包含在了该对象的data参数中
# title = article.xpath('./div[1]/h1/a/text()')[0].extract()
title = article.xpath('./div[1]/h1/a/text()').extract_first()
content = article.xpath('./div[2]//text()').extract()
content = ''.join(content)
dic = {
'title':title,
'content':content
}
all_data.append(dic)
return all_data #将解析到的数据进行了返回
- 伪属性
- 图片懒加载：伪属性（自己定义的一个标签的属性，没有任何意义）
- js加密（js逆向），js混淆
- 解密函数：js的解密函数
- 对其进行逆向
- js逆向：
- 手动逆向
- 自动逆向
- PyExclJs：模拟执行js代码
- nodeJs的环境安装
- PyExclJs：模拟执行js代码
- 解密函数：js的解密函数
- scrapy
- 1.环境的安装
- Twisted：就是scrapy的异步机制
- 2.创建工程：scrapy startproject proName
- spiders：爬虫包，必须要存放一个或者多个爬虫文件
- settings：配置文件
- robots
- UA
- 指定日志等级：LOG_LEVEL = 'ERROR'
- 3.cd proName
- 4.创建爬虫文件：scrapy genspider spiderName www.xxx.com
- 爬虫类：
- name：爬虫文件的名称
- start_url（列表）：放置的列表元素必须是待请求的url
- 作用：可以将每一个列表元素进行请求（get）发送
- parse(response):可以将scrapy请求到的数据进行解析
- response：一个响应对象
- 爬虫类：
- 5.数据解析：
- response.xpath()
- 注意：
- 在进行标签或属性的数据提取时，xpath返回的列表元素不再是字符串，而是Selector对象。
- 需要调用extract()或者extract_first()将Selector中的字符串数据提取出来。
- 在进行标签或属性的数据提取时，xpath返回的列表元素不再是字符串，而是Selector对象。
- 注意：
- 持久化存储
- 基于终端指令
- 只可以将parse方法的返回值写入到指定后缀的文本文件中
- scrapy crawl spiderName -o ./aaa.csv
- 基于管道
- 基于终端指令
- 执行工程：
- scrapy crawl spiderName
- response.xpath()
- 1.环境的安装
管道的持久化存储
-
基于管道的持久化存储的编码流程
- 1.在爬虫文件中数据解析
- 2.将解析到的数据封装到一个叫做Item类型的对象
- 3.将item类型的对象提交给管道
- 4.管道负责调用process_item的方法接收item，然后进行某种形式的持久化存储
- 5.在配置文件中开启管道
- 注意事项：
- 什么情况下需要用到多个管道类
- 一个管道类对应一种形式的持久化存储
- process_item中的return item:
- 可以将item提交给下一个即将被执行的管道类
- 如果直接将一个字典写入到redis报错的话：
- pip install redis==2.10.6
- 什么情况下需要用到多个管道类
-
全栈数据的爬取
- 手动请求的发送
- yield scrapy.Request(url=new_url,callback=self.parse)
- 总结：什么时候用yield
- 1.向管道提交item的时候
- 2.手动请求发送的时候
- 如何发送post请求：
- yield scrapy.FromRequest(url=new_url,callback=self.parse，formdata={})
- 为什么start_urls列表可以进行get请求的发送：
- 父类对start_requests的原始实现：
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url,callback=self.parse)
- 父类对start_requests的原始实现：
- 手动请求的发送
-
五大核心组件（对象）
- 对scrapy的异步实现有一定的理解
- 相关方法和对象实例化的调用流程
- 组件的作用：
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)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个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。
-
如何适当提升scrapy爬取数据的效率
增加并发：
默认scrapy开启的并发线程为16个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。降低日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘ERROR’禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s -
请求传参
- 作用：帮助scrapy实现深度爬取
- 深度爬取：
- 爬取的数据没有在同一张页面中
- 深度爬取：
- 需求：爬取名称和简介，https://www.4567tv.tv/frim/index1.html
- 实现流程
- 传参：
- yield scrapy.Request(url,callback,meta),将meta这个字典传递给callback
- 接收参数
- response.meta
- 传参：
- 作用：帮助scrapy实现深度爬取
管道的持久化存储实例
-
爬虫文件
# -*- coding: utf-8 -*- import scrapy from DuanziPro.items import DuanziproItem #管道机制对应的操作 # class DuanziSpider(scrapy.Spider): # name = 'duanzi' # # allowed_domains = ['www.xxx.com'] # start_urls = ['http://duanziwang.com/category/%E7%BB%8F%E5%85%B8%E6%AE%B5%E5%AD%90/'] # # def parse(self, response): # all_data = [] # article_list = response.xpath('/html/body/section/div/div/main/article') # for article in article_list: # # xpath在进行数据提取时，返回的不再是字符串而是一个Selector对象，想要的数据被包含在了该对象的data参数中 # # title = article.xpath('./div[1]/h1/a/text()')[0].extract() # title = article.xpath('./div[1]/h1/a/text()').extract_first() # content = article.xpath('./div[2]//text()').extract() # content = ''.join(content) # #实例化一个item类型的对象，然后将解析到的一组数据存进去 # item = DuanziproItem() # item['title'] = title # item['content'] = content # # yield item #将item提交给管道 #全栈数据爬取对应的操作 class DuanziSpider(scrapy.Spider): name = 'duanzi' # allowed_domains = ['www.xxx.com'] start_urls = ['http://duanziwang.com/category/%E7%BB%8F%E5%85%B8%E6%AE%B5%E5%AD%90/'] #通用的url模板 url = 'http://duanziwang.com/category/经典段子/%d/' pageNum = 1 # def start_requests(self): # for url in self.start_urls: # yield scrapy.Request(url,callback=self.parse) def parse(self, response): all_data = [] article_list = response.xpath('/html/body/section/div/div/main/article') for article in article_list: # xpath在进行数据提取时，返回的不再是字符串而是一个Selector对象，想要的数据被包含在了该对象的data参数中 # title = article.xpath('./div[1]/h1/a/text()')[0].extract() title = article.xpath('./div[1]/h1/a/text()').extract_first() content = article.xpath('./div[2]//text()').extract() content = ''.join(content) # 实例化一个item类型的对象，然后将解析到的一组数据存进去 item = DuanziproItem() item['title'] = title item['content'] = content yield item # 将item提交给管道 #编写手动请求的操作 if self.pageNum < 5: self.pageNum += 1 print('正在下载的页码是：',self.pageNum) new_url = format(self.url%self.pageNum) yield scrapy.Request(url=new_url,callback=self.parse) -
构建管道items
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.html import scrapy class DuanziproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() content = scrapy.Field() -
管道存储pipelines
-
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html #写入到文本文件中 import pymysql from redis import Redis class DuanziproPipeline(object): fp = None def open_spider(self,spider): print('开始爬虫......') self.fp = open('./duanzi.txt','w',encoding='utf-8') #方法每被调用一次，参数item就是其接收到的一个item类型的对象 def process_item(self, item, spider): # print(item)#item就是一个字典 self.fp.write(item['title']+':'+item['content']+' ') return item#可以将item提交给下一个即将被执行的管道类 def close_spider(self,spider): self.fp.close() print('爬虫结束！！！') #将数据写入到mysql class MysqlPipeLine(object): conn = None cursor = None def open_spider(self,spider): self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='222',db='spider',charset='utf8') print(self.conn) def process_item(self,item,spider): sql = 'insert into duanzi values ("%s","%s")'%(item['title'],item['content']) self.cursor = self.conn.cursor() try: self.cursor.execute(sql) self.conn.commit() except Exception as e: print(e) self.conn.rollback() return item def close_spider(self,spider): self.cursor.close() self.conn.close() #将数据写入到redis class RedisPileLine(object): conn = None def open_spider(self,spider): self.conn = Redis(host='127.0.0.1',port=6379) print(self.conn) def process_item(self,item,spider): self.conn.lpush('duanziData',item) return item
-
请求传参实例
-
爬虫文件
-
# -*- coding: utf-8 -*- import scrapy from moviePro.items import MovieproItem #深度爬取 # class MovieSpider(scrapy.Spider): # name = 'movie' # # allowed_domains = ['www.xxx.com'] # start_urls = ['https://www.4567tv.tv/index.php/vod/show/class/动作/id/1.html'] # url = 'https://www.4567tv.tv/index.php/vod/show/class/动作/id/1/page/%d.html' # def parse(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[@class="stui-vodlist__detail"]/h4/a/text()').extract_first() # detail_url = 'https://www.4567tv.tv'+li.xpath('.//div[@class="stui-vodlist__detail"]/h4/a/@href').extract_first() # # item = MovieproItem() # item['title'] = title # # # print(title,detail_url) # #对详情页的url进行手动请求发送 # #请求传参： # #参数meta是一个字典，字典会传递给callback # yield scrapy.Request(detail_url,callback=self.parse_detail,meta={'item':item}) # #自定义的另一个解析方法（必须要有response参数） # def parse_detail(self,response): # #接收传递过来的meta # 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 #深度爬取+全栈爬取 class MovieSpider(scrapy.Spider): name = 'movie' # allowed_domains = ['www.xxx.com'] start_urls = ['https://www.4567tv.tv/index.php/vod/show/class/动作/id/1.html'] url = 'https://www.4567tv.tv/index.php/vod/show/class/动作/id/1/page/%d.html' pageNum = 1 def parse(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[@class="stui-vodlist__detail"]/h4/a/text()').extract_first() detail_url = 'https://www.4567tv.tv'+li.xpath('.//div[@class="stui-vodlist__detail"]/h4/a/@href').extract_first() item = MovieproItem() item['title'] = title # print(title,detail_url) #对详情页的url进行手动请求发送 #请求传参： #参数meta是一个字典，字典会传递给callback yield scrapy.Request(detail_url,callback=self.parse_detail,meta={'item':item}) #全栈爬取 if self.pageNum < 4: self.pageNum += 1 new_url = format(self.url%self.pageNum) yield scrapy.Request(new_url,callback=self.parse) #自定义的另一个解析方法（必须要有response参数） def parse_detail(self,response): #接收传递过来的meta 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
-
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.html import scrapy class MovieproItem(scrapy.Item): # define the fields for your item here like: title = scrapy.Field() desc = scrapy.Field()
-
-
pipelines
-
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html class MovieproPipeline(object): def process_item(self, item, spider): print(item) return item
-
-
robots
-
UA伪装
-
动态变化的请求参数
-
验证码
-
cookie
-
代理
-
动态加载的数据
-
js加密
-
js混淆
-
图片懒加载