scrapy爬虫的基本流程:
- 确定url地址:http://www.imooc.com/course/list;(spider)
- 获取页面信息;(urllib, requests); —(scrapy中我们不要处理)—(Downloader)
- 解析页面提取需要的数据; (正则表达式, bs4, xpath)—: (spider)
课程链接, 课程的图片url, 课程的名称, 学习人数, 课程描述 - 保存到本地(csv, json, pymysql, redis); ----(pipeline)
scrapy安装和使用
安装
# 在当前pycharm导入的虚拟环境中pip install scrapy
使用
在scrapy框架中,只需要用户自己编写解析方法和管道方法,爬取网页的任务scrapy会自动完成
# 创建scrapy项目工程
scrapy startproject mySpider
# 进入到该工程中生成一个爬虫任务
scrapy genspider mooc 'www.imooc.com'
scrapy框架的构建
1.在items.py文件的类中定义变量,该MyspiderItem类类似于字典,该变量类似于字典的key值,用来在Spider和Pipline之间的数据传输,
import scrapy
class CourseItem(scrapy.Item):
# Item对象是一个简单容器, 保存爬取到的数据, 类似于字典的操作;
# 实例化对象: course = CourseItem()
# course['title'] = "语文"
# course['title']
# course.keys()
# course.values()
# course.items()
# define the fields for your item here like:
# name = scrapy.Field()
# 课程链接, 课程的图片url, 课程的名称, 学习人数, 课程描述
# 课程标题
title = scrapy.Field()
# 课程的url地址
url = scrapy.Field()
# 课程图片url地址
image_url = scrapy.Field()
# 课程的描述
introduction = scrapy.Field()
# 学习人数
student = scrapy.Field()
2.在mooc.py文件中定义parser解析方法,对获取的reponse对象进行解析
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import CourseItem
class MoocSpider(scrapy.Spider):
# name: 用于区别爬虫, 必须是唯一的;
name = 'mooc'
# 允许爬取的域名;其他网站的页面直接跳过;
allowed_domains = ['www.imooc.com', 'img3.mukewang.com']
# 爬虫开启时第一个放入调度器的url地址;
start_urls = ['http://www.imooc.com/course/list']
# 被调用时, 每个出世url完成下载后, 返回一个响应对象,
# 负责将响应的数据分析, 提取需要的数据items以及生成下一步需要处理的url地址请求;
def parse(self, response):
# 分析响应的内容
# scrapy分析页面使用的是xpath语法
# 1). 获取每个课程的信息: <div class="course-card-container">
courseDetails = response.xpath('//div[@class="course-card-container"]')
for courseDetail in courseDetails:
# 课程的名称:
# "htmlxxxx"
# 2). 实例化对象, CourseItem
course = CourseItem()
# 爬取新的网站, Scrapy里面进行调试(parse命令logging)
course['title'] = courseDetail.xpath('.//h3[@class="course-card-name"]/text()').extract()[0]
# 学习人数
course['student'] = courseDetail.xpath('.//span/text()').extract()[1]
# 课程描述:
course['introduction'] = courseDetail.xpath(".//p[@class='course-card-desc']/text()").extract()[0]
# 课程链接, h获取/learn/9 ====》 http://www.imooc.com/learn/9
course['url'] = "http://www.imooc.com" + courseDetail.xpath('.//a/@href').extract()[0]
# 课程的图片url:
course['image_url'] = 'http:' + courseDetail.xpath('.//img/@src').extract()[0]
# 生成器,每产生一个数据就通过course对象传送给管道对象
# 当管道对象处理完数据后返回item对象告诉调度器,让调度器启动生成器继续解析文本
yield course
3.在pipelines.py文件中定义存储方式
import json
class MyspiderPipeline(object):
"""将爬取的信息保存为Json格式"""
def __init__(self):
self.f = open(MOOCFilename, 'w')
def process_item(self, item, spider):
# 默认传过来的item是json格式
import json
# 读取item中的数据, 并转成json格式;
line = json.dumps(dict(item), ensure_ascii=False, indent=4)
self.f.write(line + '\n')
# 一定要加, 返回给调度为器;
return item
def open_spider(self, spider):
"""开启爬虫时执行的函数"""
pass
def close_spider(self, spider):
"""当爬虫全部爬取结束的时候执行的函数"""
self.f.close()
在这里插入代码片
# 保存每门课程的图片
import scrapy
# scrapy框架里面,
class ImagePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 返回一个request请求, 包含图片的url地址
yield scrapy.Request(item['image_url'])
# 当下载请求完成后执行的函数/方法
def item_completed(self, results, item, info):
# open('mooc.log', 'w').write(results)
# 获取下载的地址
image_path = [x['path'] for ok,x in results if ok]
if not image_path:
raise Exception("不包含图片")
else:
# img_path[0]表示的是图片的文件名
# 可通过os模块来重写图片的文件名
import os
os.rename(IMAGES_STORE+img_path[0],IMAGES_STORE+item['title']+'.jpg')
return item
4.在settings.py文件中配置并开启管道
ITEM_PIPELINES = {
# 管道的位置: 优先级, 0~1000, 数字越小, 优先级越高;
'mySpider.pipelines.MyspiderPipeline': 300,
'mySpider.pipelines.ImgPipeline': 400
}
# 图片保存在的本地路径
IMAGES_STORE='/home/kiosk/PycharmProjects/test/img/'
5.在shell环境中启动爬虫任务
scrapy crawl mooc
获取下一页的链接并且执行解析函数
在原有的解析函数中改进
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import CourseItem
class MoocSpider(scrapy.Spider):
# name: 用于区别爬虫, 必须是唯一的;
name = 'mooc'
# 允许爬取的域名;其他网站的页面直接跳过;
allowed_domains = ['www.imooc.com', 'img3.mukewang.com']
# 爬虫开启时第一个放入调度器的url地址;
start_urls = ['http://www.imooc.com/course/list']
# 被调用时, 每个出世url完成下载后, 返回一个响应对象,
# 负责将响应的数据分析, 提取需要的数据items以及生成下一步需要处理的url地址请求;
def parse(self, response):
# 分析响应的内容
# scrapy分析页面使用的是xpath语法
# 1). 获取每个课程的信息: <div class="course-card-container">
courseDetails = response.xpath('//div[@class="course-card-container"]')
for courseDetail in courseDetails:
# 课程的名称:
# "htmlxxxx"
# 2). 实例化对象, CourseItem
course = CourseItem()
# 爬取新的网站, Scrapy里面进行调试(parse命令logging)
course['title'] = courseDetail.xpath('.//h3[@class="course-card-name"]/text()').extract()[0]
# 学习人数
course['student'] = courseDetail.xpath('.//span/text()').extract()[1]
# 课程描述:
course['introduction'] = courseDetail.xpath(".//p[@class='course-card-desc']/text()").extract()[0]
# 课程链接, h获取/learn/9 ====》 http://www.imooc.com/learn/9
course['url'] = "http://www.imooc.com" + courseDetail.xpath('.//a/@href').extract()[0]
# 课程的图片url:
course['image_url'] = 'http:' + courseDetail.xpath('.//img/@src').extract()[0]
# 生成器,每产生一个数据就通过course对象传送给管道对象
# 当管道对象处理完数据后返回item对象告诉调度器,让调度器启动生成器继续解析文本
yield course
# url跟进, 获取下一页是否有链接;href
nextPage=response.xpath('//a[contains(text(),"下一页")]/@href')
if nextPage:
# 构建新的url地址
url='http://www.imooc.com'+nextPage[0].extract()
yield scrapy.Request(url,callback=self.parse)
在scrapy框架中设置调试断点
在解析函数中设置调试断点
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import CourseItem
class MoocSpider(scrapy.Spider):
# name: 用于区别爬虫, 必须是唯一的;
name = 'mooc'
# 允许爬取的域名;其他网站的页面直接跳过;
allowed_domains = ['www.imooc.com', 'img3.mukewang.com']
# 爬虫开启时第一个放入调度器的url地址;
start_urls = ['http://www.imooc.com/course/list']
# 被调用时, 每个出世url完成下载后, 返回一个响应对象,
# 负责将响应的数据分析, 提取需要的数据items以及生成下一步需要处理的url地址请求;
def parse(self, response):
# # 用来检测代码是否达到指定位置, 并用来调试并解析页面信息;
from scrapy.shell import inspect_response
inspect_response(response, self)
# 分析响应的内容
# scrapy分析页面使用的是xpath语法
# 1). 获取每个课程的信息: <div class="course-card-container">
courseDetails = response.xpath('//div[@class="course-card-container"]')
for courseDetail in courseDetails:
# 课程的名称:
# "htmlxxxx"
# 2). 实例化对象, CourseItem
course = CourseItem()
# 爬取新的网站, Scrapy里面进行调试(parse命令logging)
course['title'] = courseDetail.xpath('.//h3[@class="course-card-name"]/text()').extract()[0]
# 学习人数
course['student'] = courseDetail.xpath('.//span/text()').extract()[1]
# 课程描述:
course['introduction'] = courseDetail.xpath(".//p[@class='course-card-desc']/text()").extract()[0]
# 课程链接, h获取/learn/9 ====》 http://www.imooc.com/learn/9
course['url'] = "http://www.imooc.com" + courseDetail.xpath('.//a/@href').extract()[0]
# 课程的图片url:
course['image_url'] = 'http:' + courseDetail.xpath('.//img/@src').extract()[0]
# 生成器,每产生一个数据就通过course对象传送给管道对象
# 当管道对象处理完数据后返回item对象告诉调度器,让调度器启动生成器继续解析文本
yield course
添加完调试断点后执行爬虫任务
在shell环境中会出现一些用户可以操作的对象,可供用户进行调试代码
个人博客的整理
在spider爬虫任务中的parse方法内
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import CsdnItem
class CsdnSpider(scrapy.Spider):
name = 'csdn'
allowed_domains = ['blog.csdn.net']
start_urls = ['http://blog.csdn.net/qq_43194257']
def parse(self, response):
divs=response.xpath('//div[@class="article-item-box csdn-tracking-statistics"]')
for div in divs[1:]:
item = CsdnItem()
item['title']=div.xpath('.//h4/a/text()')[1].extract()
item['url']=div.xpath('.//h4/a/@href')[0].extract()
# 通过scrapy.Request函数从获取的博客地址链接中
# 将获得的内容通过自己定义的解析函数进行解析
# meta表示传递给callback的函数的参数
yield scrapy.Request(item['url'],meta={'item':item},callback=self.parser_content)
def parser_content(self,response):
content=response.xpath('//div[@class="blog-content-box"]').extract()[0]
# 定义传递的item参数
item=response.request.meta['item']
# 将解析好的内容传给item对象中的content
item['content']=content
# 最后将获取完所有值的item对象传递给调度器
return item
在pipelines.py文件中定义存储方式
import scrapy
from mySpider.settings import IMAGES_STORE
class CsvPipeline(object):
def __init__(self):
self.f=open('csdn.csv','w')
def process_item(self, item, spider):
item=dict(item)
info="{0}:{1}".format(item['title'],item['url'])
self.f.write(info+'\n')
return item
def open_spider(self,spider):
pass
def close_spider(self,spider):
self.f.close()
在settings.py文件中配置并开启管道
ITEM_PIPELINES = {
'mySpider.pipelines.CsvPipeline': 300,
}
scrapy反爬虫_设置中间件
策略一:设置download_delay
-
作用:设置下载的等待时间,大规模集中的访问对服务器的影响最大,相当与短时间中增大服务器负载。
-
缺点: 下载等待时间长,不能满足段时间大规模抓取的要求,太短则大大增加了被ban的几率
策略二:禁止cookies
- Cookie,有时也用其复数形式 Cookies,指某些网站为了辨别用户身份、进行 session跟踪而储存在用户本地终端上的数据(通常经过加密)。
- 作用: 禁止cookies也就防止了可能使用cookies识别爬虫轨迹的网站得逞。
- 实现: COOKIES_ENABLES=False
策略三:使用user agent池(拓展: 用户代理中间件)
- 为什么使用? scrapy本身是使用Scrapy/0.22.2来表明自己身份的。这也就暴露了自己是爬虫的信息。
- user agent,是指包含浏览器信息、操作系统信息等的一个字符串,也称之为一种特殊的网络协议。服务器通过它判断当前访问对象是浏览器、邮件客户端还是网络爬虫。
策略四:使用代理IP中间件
web server应对爬虫的策略之一就是直接将你的IP或者是整个IP段都封掉禁止访问,
这时候,当IP封掉后,转换到其他的IP继续访问即可。
策略五: 分布式爬虫Scrapy+Redis+MySQL # 多进程
Scrapy-Redis则是一个基于Redis的Scrapy分布式组件。它利用Redis对用于爬取的请求(Requests)进行存储和调度(Schedule),并对爬取产生rapy一些比较关键的代码,将scrapy变成一个可以在多个主机上同时运行的分布式爬虫。
在scrapy框架中有settings.py文件,在该文件中可以配置相应的设置
- 设置DOWNLOAD_DELAY = 3,
设置下载的等待时间;每下载一个页面, 等待xxx秒。 - 禁止cookie信息;
Disable cookies (enabled by default)
COOKIES_ENABLED = False - 设置用户代理
USER_AGENT = ‘Mozilla/5.0 (X11; Linux x86_64; rv:45.0) Gecko/20100101 Firefox/45.0’ - 设置User-Agent的中间键
- 设置代理IP的中间键
DOWNLOADER_MIDDLEWARES = {
‘mySpider.middlewares.MyspiderDownloaderMiddleware’: 543,
‘mySpider.middlewares.UserAgentMiddleware’: 200,
‘mySpider.middlewares.ProxiesMiddleware’: 300
}
在scrapy框架中有middlewares.py文件,在该文件中设置相应的中间件
1.设置user agent池
import random
from scrapy import signals
class UserAgentMiddleware(object):
def __init__(self):
# 设置user agent池
self.user_agent=[
"Mozilla/5.0 (X11; Linux x86_64; rv:45.0) Gecko/20100101 Firefox/45.0",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36"
]
def process_request(self,request,spider):
# 每次访问网站时会随机选取user agent池中的用户代理设置成头部信息
user_agent=random.choice(self.user_agent)
if user_agent:
# 此行仅为了测试, 真实场景不要打印, 会影响爬虫的效率
print('当前用户的代理为:%s' %(user_agent))
request.headers.setdefault('User-Agent',user_agent)
在settings.py文件中开启中间件配置
DOWNLOADER_MIDDLEWARES = {
'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
'mySpider.middlewares.UserAgentMiddleware': 200,
}
执行结果:
2.设置代理ip
class ProxiesMiddleware(object):
def __init__(self):
self.proxies = [
'http://116.209.54.221:9999',
"https://111.177.183.212:9999"
]
def process_request(self, request, spider):
"""当发起请求"""
# 3). 从ip池里面随即获取一个代理IP;
proxy = random.choice(self.proxies)
if proxy:
# 此行仅为了测试, 真实场景不要打印, 会影响爬虫的效率
# print("当前使用的代理IP: %s" %(proxy))
request.meta['proxy'] = proxy
在settings.py文件中开启中间件配置
DOWNLOADER_MIDDLEWARES = {
'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
'mySpider.middlewares.ProxiesMiddleware': 300
}