爬虫05/scrapy框架

目录

• 爬虫06 /scrapy框架
  
  
  • 1. scrapy概述/安装
  
  
  • 2. 基本使用
  
  
  • 3. 全栈数据的爬取
  
  
  • 4. 五大核心组件/对象
  
  
  • 5. 适当提升scrapy爬取数据的效率
  
  
  • 6. 请求传参
  
  

爬虫06 /scrapy框架

1. scrapy概述/安装

• 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
  
  
  • Twisted：就是scrapy的异步机制
  
  



• 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-18.9.0-cp36-cp36m-win_amd64.whl
d. pip3 install pywin32
e. pip3 install scrapy

2. 基本使用

1. 创建工程

1. 新建一个工程：scrapy startproject 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. 切换到工程目录：cd proName




3. 创建一个爬虫文件：scrapy genspider spiderName www.lbzhk.com




4. 执行工程：scrapy crawl spiderName（爬虫文件名）

   settings.py:(一般在创建工程后，先在settings中作如下设置)

   
   
   
   
   1. 不遵从robots协议
   
   
   2. UA伪装
   
   
   3. 指定日志输出的类型：LOG_LEVEL = 'ERROR'
   
   

   # 设置请求头USER_AGENT
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
# 是否遵循robots协议
ROBOTSTXT_OBEY = False
# 记录日志的等级
LOG_LEVEL = 'ERROR'

2. 数据分析

• response.xpath('xpath表达式')




• 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

3. 持久化存储

• 基于终端指令的持久化存储

  
  
  
  

  1. 在parse方法中设置返回值

  
  

  2. 执行终端指令：scrapy crawl spiderName -o ./duanzi.csv

  
  

  注意事项：

  
  
  
  
  1. 不能存入到数据库，只能对parse的返回值进行存储，且只能存入到指定后缀的文件中
  
  

  代码示例：/在工程名文件夹下的spiders文件夹中创建要爬虫的文件

  # -*- 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




• 基于管道的持久化存储

  
  
  
  
  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：

  
  
  
  

  1. 一个管道类对应一种形式的持久化存储，当需要存到不同的数据库或文件中，需要用到多个管道类

  
  

  2. 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

  
  

  3. 如果直接将一个字典写入到redis报错的话/新版本不支持：pip install redis==2.10.6

  
  

  代码示例：

  settings配置文件

  ITEM_PIPELINES = {
'duanzi.pipelines.DuanziPipeline': 300,
}

  定义一个Item类：items.py

  import scrapy
class DuanziproItem(scrapy.Item):
title = scrapy.Field()
cOntent= scrapy.Field()

  爬虫文件：duanzi.py

  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):
article_list = response.xpath('/html/body/section/div/div/main/article')
for article in article_list:
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

  管道处理持久化存储：piplines.py

  import scrapy
from DuanziPro.items import DuanziproItem
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']+'\n')
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！！！')

  多个管道类分别进行不同形式的存储

  # 将数据写入到文本文件中
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']+'\n')
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

3. 全栈数据的爬取

• 手动请求的发送

  yield scrapy.Request(url=new_url,callback=self.parse)
# url：指定要发送请求的url
# callback：指定对请求结果做解析的回调函数

  代码示例：

  # 全栈数据爬取对应的操作
class DuanziSpider(scrapy.Spider):
name = 'duanzi'
start_urls = ['http://duanziwang.com/category/经典段子/']
# 通用的url模板
url = 'http://duanziwang.com/category/经典段子/%d/'
pageNum = 1
def parse(self, response):
all_data = []
article_list = response.xpath('/html/body/section/div/div/main/article')
for article in article_list:
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)

  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

  
  



• 发送post请求

  yield scrapy.FromRequest(url=new_url,callback=self.parse，formdata={})
# formdata:放post请求的参数




• 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：
class DuanziSpider(scrapy.Spider):
name = 'duanzi'
start_urls = ['http://duanziwang.com/category/经典段子/']
# 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)

4. 五大核心组件/对象

• 五大核心组件的作用：

  
  
  
  

  1. 引擎(ENGINE):

     用来处理整个系统的数据流处理, 触发事务(框架核心)

  
  

  2. 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

  
  

  3. 下载器(Downloader):

     用于下载网页内容, 并将网页内容返回给Spiders(Scrapy下载器是建立在twisted这个高效的异步模型上的)

  
  

  4. 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

  
  

  5. 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。

  
  

5. 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

6. 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（例如：爬取图片时，首先是爬到图片的链接，再通过链接将图片爬取下来）




• 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




• 代码示例：

  items.py

  import scrapy
class MovieproItem(scrapy.Item):
title = scrapy.Field()
desc = scrapy.Field()

  爬虫文件/深度爬取：movie.py

  class MovieSpider(scrapy.Spider):
name = 'movie'
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

  爬虫文件/全栈爬取+深度爬取：movie.py

  # 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

  pipelines.py

  class MovieproPipeline(object):
def process_item(self, item, spider):
print(item)
return item