Scrapyを置き換えることができるクローラーフレームワークを導入する-feapder

1はじめに

みなさん、こんにちは、アンゴです！

ご存知のとおり、Pythonで最も人気のあるクローラーフレームワークはScrapyです。これは、主にWebサイトの構造データをクロールするために使用されます。

今日は、よりシンプルで軽量、そして強力なクローラーフレームワークをお勧めします：feapder

プロジェクトアドレス：

github.com/Boris-code/…

2.はじめにとインストール

Scrapyと同様に、feapderは軽量クローラー、分散クローラー、バッチクローラー、クローラーアラームメカニズムおよびその他の機能をサポートします

3つの組み込みクローラーは次のとおりです。

• AirSpider

  単純なシナリオと少量のデータを持つクローラーに適した軽量クローラー

• クモ

  Redisに基づく分散クローラーは、大量のデータに適しており、ブレークポイント連続クロール、自動データストレージなどの機能をサポートします。

• BatchSpider

  分散バッチクローラー。主に定期的な収集が必要なクローラーに使用されます

実際の戦闘の前に、対応する依存関係ライブラリを仮想環境にインストールします

# 安装依赖库
pip3 install feapder
复制代码

3.戦いましょう

最も単純なAirSpiderを使用して、いくつかの単純なデータをクロールします

ターゲットWebサイト：aHR0cHM6Ly90b3BodWIudG9kYXkvIA ==

詳細な実装手順は次のとおりです（5つの手順）

3-1クローラープロジェクトを作成する

まず、「feapder create -p」コマンドを使用して、クローラープロジェクトを作成します

# 创建一个爬虫项目
feapder create -p tophub_demo
复制代码

3-2クローラーAirSpiderを作成する

コマンドラインからspidersフォルダーに移動し、「feapdercreate-s」コマンドを使用してクローラーを作成します

cd spiders

# 创建一个轻量级爬虫
feapder create -s tophub_spider 1
复制代码

の

• 1がデフォルトです。これは、軽量のクローラーAirSpiderを作成することを意味します。

• 2は、分散クローラースパイダーの作成を表します

• 3は、分散バッチクローラーBatchSpiderの作成を表します

3-3データベースの構成、データテーブルの作成、マッピングアイテムの作成

Mysqlを例にとると、最初にデータベースにデータテーブルを作成します

# 创建一张数据表
create table topic(    id         int auto_increment        primary key,    title      varchar(100)  null comment '文章标题',    auth       varchar(20)   null comment '作者',    like_count     int default 0 null comment '喜欢数',    collection int default 0 null comment '收藏数',    comment    int default 0 null comment '评论数');
复制代码

次に、プロジェクトのルートディレクトリにあるsettings.pyファイルを開いて、データベース接続情報を構成します。

# settings.py

MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "xag"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"
复制代码

最後に、マッピングアイテムを作成します（オプション）

itemsフォルダーに移動し、「feapder create -i」コマンドを使用して、データベースにマップするファイルを作成します

PS：AirSpiderは自動データストレージをサポートしていないため、この手順は必要ありません

3-4書き込みクローラーとデータ分析

最初のステップは、「MysqlDB」を使用してデータベースを初期化することです。

from feapder.db.mysqldb import MysqlDB

class TophubSpider(feapder.AirSpider):

    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.db = MysqlDB()
复制代码

2番目のステップのstart_requestsメソッドで、クロールするメインリンクのアドレスを指定し、キーワード「download_midware」を使用してランダムUAを構成します

import feapder
from fake_useragent import UserAgent

def start_requests(self):
    yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)

def download_midware(self, request):
    # 随机UA
    # 依赖：pip3 install fake_useragent
    ua = UserAgent().random
    request.headers = {'User-Agent': ua}
    return request
复制代码

3番目のステップは、ホームページのタイトルとリンクアドレスをクロールすることです。

feapderの組み込みメソッドxpathを使用してデータを解析します

def parse(self, request, response):
    # print(response.text)
    card_elements = response.xpath('//div[@class="cc-cd"]')

    # 过滤出对应的卡片元素【什么值得买】
    buy_good_element = [card_element for card_element in card_elements if
                        card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]

    # 获取内部文章标题及地址
    a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')

    for a_element in a_elements:
        # 标题和链接
        title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
        href = a_element.xpath('.//@href').extract_first()

        # 再次下发新任务，并带上文章标题
        yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
                              title=title)
复制代码

4番目のステップは、詳細ページのデータをクロールすることです

前のステップでは、新しいタスクが発行され、「callback」というキーワードでコールバック関数が指定され、最後に、parser_detail_pageの詳細ページでデータ分析が実行されます。

def parser_detail_page(self, request, response):
    """
    解析文章详情数据
    :param request:
    :param response:
    :return:
    """
    title = request.title

    url = request.url

    # 解析文章详情页面，获取点赞、收藏、评论数目及作者名称
    author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()

    print("作者：", author, '文章标题:', title, "地址：", url)

    desc_elements = response.xpath('//span[@class="xilie"]/span')

    print("desc数目:", len(desc_elements))

    # 点赞
    like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
    # 收藏
    collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
    # 评论
    comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])

    print("点赞：", like_count, "收藏:", collection_count, "评论:", comment_count)
复制代码

3-5データストレージ

上記でインスタンス化されたデータベースオブジェクトを使用して、SQLを実行し、データベースにデータを挿入します。

# 插入数据库
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
title, author, like_count, collection_count, comment_count)

# 执行
self.db.execute(sql)
复制代码

4.最後に

この記事では、簡単な例を通して、feapderの最も単純なクローラーAirSpiderについて説明します

feapderの高度な機能の使用については、後で一連の例を使用して詳しく説明します。

記事のすべてのコードを公式アカウントのバックグラウンドにアップロードし、バックグラウンドでキーワード「  airspider  」に返信して完全なソースコードを取得しました

記事が悪くないと思われる場合は、いいね 、シェア、メッセージを残してください 。これが、より高品質な記事を出力し続けるための最大のモチベーションになるからです。