先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新网络安全全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上网络安全知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip204888 (备注网络安全)
正文
class ESIndex():
“”“ES的索引库的类”“”
def init(self, index_name, doc_type):
self.index_name = index_name
self.doc_type = doc_type
def create(self): # 创建索引库
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}’
json_data = {
“settings”: {
“number_of_shards”: 5,
“number_of_replicas”: 1
}
}
resp = requests.put(url, json=json_data)
if resp.status_code == 200:
print(‘创建索引成功’)
print(resp.json())
def delete(self): # 删除索引库
resp = requests.delete(f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}‘)
if resp.status_code == 200:
print(‘delete index ok’)
def add_doc(self, item: dict):
# 向库中增加文档
doc_id = item.pop(‘id’, None)
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/’
if doc_id:
url += str(doc_id)
resp = requests.post(url, json=item)
if resp.status_code == 200:
print(f’{url} 文档增加成功!‘)
def remove_doc(self, doc_id):
# 删除文档
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/{doc_id}’
resp = requests.delete(url)
if resp.status_code == 200:
print(f’delete {url} ok’)
def update_doc(self, item: dict):
# 更新文档
doc_id = item.pop(‘id’)
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/{doc_id}’
resp = requests.put(url, json=item)
assert resp.status_code == 200
print(f’{url} update ok’)
def query(self, wd=None):
# 查询
q = quote(wd) if wd else ‘’
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/_search?size=100’
if q:
url += f’&q={q}’
resp = requests.get(url)
datas = []
if resp.status_code == 200:
ret = resp.json()
hits = ret[‘hits’][‘hits’]
if hits:
for item in hits:
data = item[‘_source’]
data[‘id’] = item[‘_id’]
datas.append(data)
return datas
if name == ‘main’:
index = ESIndex(‘gushiwen’, ‘tuijian’)
# index.create()
# index.add_doc({
# ‘id’: 1,
# ‘name’: ‘disen’,
# ‘price’: 19.5
# })
#
# index.add_doc({
# ‘id’: 2,
# ‘name’: ‘jack’,
# ‘price’: 10.5
# })
print(index.query())
#### 正则解析数据
#### 扩展Linux文件权限
100 ->4 -> r
010 -> 2-> w
001 -> 1 -> x
100 | 010 = 110 # 增加权限
110 & 100 == 100 # 验证100权限
110 ^ 100 = 010 # 删除100权限
#### re面试中的问题
* compile() /match()/search() 三者之间的区别
* search()/findall()区别
* 贪婪模式和非贪婪模式
#### 解析站长之家
“”"
基于正则re模块解析数据
“”"
import re
import os
import requests
from utils.header import get_ua
base_url = ‘http://sc.chinaz.com/tupian/’
url = f’{base_url}shuaigetupian.html’
headers = {
‘User-Agent’: get_ua()
}
if os.path.exists(‘mn.html’):
with open(‘mn.html’, encoding=‘utf-8’) as f:
html = f.read()
else:
resp = requests.get(url, headers=headers)
print(resp.encoding) # IOS-8859-1
resp.encoding = ‘utf-8’ # 可以修改响应的状态码
assert resp.status_code == 200
html = resp.text
with open(‘mn.html’, ‘w’, encoding=resp.encoding) as f:
f.write(html)
print(html)
[\u4e00-\u9fa5]
compile = re.compile(r’‘)
compile2 = re.compile(r’‘)
imgs = compile.findall(html) # 返回list
if len(imgs) == 0:
imgs = compile2.findall(html)
print(len(imgs), imgs, sep=’\n’)
下一页
next_url = re.findall(r’20<a href=“(.*?)” class=“nextpage”',html, re.S)
print(base_url+next_url[0])
#### 作业
* 写出requests.request()方法常用的参数及参数类型
+ method: str 请求方法, 可以指定 get, post, put, delete, options
+ url : str 请求路径或api接口
+ params/data/json : dict 上传的请求参数及json或form的data数据
+ headers/cookie: dict 请求头或Cookie信息
+ files: dict 上传的文件信息
* 写出正则的贪婪模式有哪些
+ `.*` 0或多个任意字符
+ `.+` 1或多个任意字符
+ `.?`
+ `.{n, }` 至少n个以上的任意字符
+ `.{n, m}` 至少n个以上的任意字符
* 写出str对象的常用方法(10+)
+ join()
+ split()
+ strip()
+ replace()
+ upper()
+ lower()
+ title()
+ index()/rindex()
+ find()/rfind()
+ insert()
+ just()/ljust()/rjust()
+ capitalize() # 每个单词的首字母大写
```
要求: 自动生成订单号
订单号的格式: 20191226000001
当天的单号按自增,第二天的序号是从1开始。
```
+ count()
+ encode()
+ startswith()/endswith()
+ format()
1. 基于Flask实现文件上传服务器, 通过requests测试文件上传接口。
2. 优化美女网爬虫,将数据存到es搜索引擎中
3. 完成站长之家的多任务爬虫的数据存储(ES引擎/csv)
![](https://img-blog.csdnimg.cn/20210922220415743.gif)
### 爬虫第四天
#### 回顾知识点
#### re正则
* 字符的表示
+ `.` 任意一个字符, 除了换行
+ `[a-f]` 范围内的任意一个字符
+ `\w` 字母、数字和下划线组成的任意的字符
+ `\W`
+ `\d`
+ `\D`
+ `\s`
+ `\S`
* 量词(数量)表示
+ `*` 0或多个
+ `+` 1或多个
+ `?` 0 或 1 个
+ `{n}` n 个
+ `{n,}` 至少n个
+ `{n, m}` n~m个
* 分组表示
+ `( )` 普通的分组表示, 多个正则分组时, search().groups() 返回是元组
+ `(?P<name> 字符+数量)`带有名称的分组, 多个正则分组时,search().groupdict()返回是字典, 字典的key即是分组名。
```
import re
text = '123abc90ccc'
re.search(r'(?P<n1>\d+?)[a-z]+?(?P<n2>\d+)', text).groupdict()
```
* Python中的正则模块
+ re.compile() 一次生成正则对象,可以多次匹配查询
+ re.match(正则对象, 字符串)
+ re.search()
+ re.findall()
+ re.sub()
```
re.sub('\d+', '120', text) # 将text中的所有数字替换成120
```
分享面试题:
```
给定列表,每一个元组中包含字母和数字, 要求字母和数字分开排序
如:
['abc12', 'abc9', 'abc10', 'ac8', 'ac12']
排序之后结果是:
['abc9', 'abc10', 'abc12', 'ac8', 'ac12']
```
```
def format_number(item):
replace_number = re.findall(r'\d+',item)[0].rjust(2, '0')
return re.sub(r'\d+',replace_number,item)
arr = ['abc12', 'abc9', 'abc10', 'ac8', 'ac12']
sorted(arr, key=format_number)
```
+ re.split()
#### 进程和线程
* multiprocessing模块(进程)
+ Process 进程类
+ Queue 进程间通信的队列
- put(item, timeout)
- item = get(timeout)
* threading 模块(线程)
+ Thread 线程类
+ 线程间通信(访问对象)
- queue.Queue 线程队列
- 回调函数(主线程声明, 子线程调用函数)
#### BS4数据解析
* 安装包
pip install bs4
* from bs4 import BeautifulSoup
* 生成bs4根节点对象
root = BeautifulSoup(html, 'lxml')
* 查找节点(bs4.element.Tag)
+ root.find('标签名', class\_="", id\_="") 返回单节点Tag对象
+ root.find\_all('标签名', class\_="", id\_="", limit=3) 返回limit指定数量的Tag对象的列表
+ root.select('样式选择器')
- `#id`
- `.class`
- `标签名`
- `[属性]`
- `div ul` 间接子节点, 或 `div > ul`直接子节点
* 节点的属性
+ 获取文本数据
- div.text/div.string/div.get\_text()
+ 获取属性
- div.get('属性名')
- div['属性名']
- div.attrs['属性名']
- div.attrs.get('属性名')
+ 获取子节点
- contents 获取所有文本子节点
- descendants 获取所有子节点对象
#### 协程爬虫
>
> 协程是线程的替代品, 区别在于线程由CPU调度, 协程由用户(程序)自己的调度的。协程需要事件监听模型(事件循环器),它采用IO多路复用原理,在多个协程之间进行调度。
>
>
>
#### 协程的三种方式
* 基于生成器 generator (过渡)
+ yield
+ send()
* Python3 之后引入了 asyncio模块
+ @asyncio.coroutine 协程装饰器, 可以在函数上使用此装饰器,使得函数变成协程对象
+ 在协程函数中,可以使用yield from 阻塞当前的协程,将执行的权限移交给 yield from 之后的协程对象。
+ asyncio.get\_event\_loop() 获取事件循环模型对象, 等待所有的协程对象完成之后结束。
* Python3.5之后,引入两个关键字
+ async 替代 @asyncio.coroutine
+ await 替代 yield from
#### 协程第三方的框架
* gevent
* eventlet
* Tornado/Twisted
#### 动态js渲染
#### Selenium
>
> Selenium是驱动浏览器(chrome, firefox, IE)进行浏览器相关操作(打开url, 点击网页中按钮功连接、输入文本)。
>
>
>
在Python程序中使用时,需要selenium的库和相关浏览的驱动程序(Window, Linux, Mac)。
#### Splash
>
> Splash 是Web服务, 基于WebKit技术框架,可以动态加载网页。
>
>
>
#### 作业
* 写出生成dict对象的方式有哪些
+ { }
+ dict([(key, value), ..])
+ json.loads('json格式的字符串')
+ OrderDict
+ dict(zip([ ], [ ]))
+ dict.fromkeys([], value)
+ dict(key=value, key=value)
* 写出bs4查找的节点对象的类是什么,它有哪些属性及方法
+ bs4.element.Tag/bs4.Tag 节点对象的类
+ Tag的方法
- find()
- find\_all()
- select()
- get\_text()
+ Tag的属性
- string 标签的文本
- text 标签的文本
- contents 所有文本的子节点
- descendants 所有的子节点对象
- attrs 属性字典
* 写出创建线程Thread类的实例时的参数有哪些
提示: Thread(参数列表)
+ name 线程名
+ target 线程执行的目标函数
+ args 函数中位置传参, tuple
+ kwargs 指定函数中关键参数传值 , dict
* 使用docker搭建Splash服务
* 股票信息提取
* 腾讯公司招聘需求抓取
![](https://img-blog.csdnimg.cn/20210922220432383.gif)
### 爬虫最五天
#### 回顾知识点
#### 协程的爬虫
* 协程和线程区别
线程是CPU调度的,多线程是共享同一进程中的内存的(线程本地变量 Local、同步锁Lock、条件变量)。
线程是threading模块
协程是在线程(主)中声明及调度的。协程由用户(程序)调度的,是基于事件模型(IO多路复用模型-select/poll/epoll)。
协程是asyncio模块(Python 3.4+)
* 协程的知识点
+ @asyncio.coroutine 将函数升级为协程对象(闭包函数)
+ yield from 将执行的权限移交给其它协程对象
+ loop = asyncio.get\_event\_loop() 获取事件模型
+ loop.run\_until\_complete(协程对象) 事件模型启动协程,直到协程执行完成后,释放事件模型对象。
- 如果是多个协程对象时, 需要使用asyncio.wait() 将多个协程对象以元组方式传入到wait()方法中。
+ Python 3.5+增加两个关键字
- async 替代@asyncio.coroutine
- await 替代 yield from注意: async 和 await 必须同时使用
#### Seleinum库
* 安装python库
pip install selenium
* 下载浏览器的驱动
+ chrome
+ firefox
* 在Python中使用
+ selenium.webdriver.common.by.By
- By.CLASS\_NAME
- By.CSS\_SELECTOR
- By.ID
- By.NAME
- By.TAG\_NAME
- By.XPATH
- By.LINK\_TEXT
+ selenium.webdriver.Chrome
- 在实例化Chrome()对象中, 需要指定driver.exe浏览驱动程序的位置。如果位置在环境变量的Path添加了,则不需要指定位置参数。
- chrome.get(url) 打开url
- chrome.find\_element(by, value) 根据by 查找value的一个元素。
- chrome.find\_elements(by, value) 查找多个元素
- chrome.window\_handlers: list 可以获取窗口标签页
- chrome.execute\_script(js) 当前窗口中执行js脚本
- chrome.swich\_to.window/frame() 切换窗口
- chrome.close()
- chrome.page\_source 渲染之后的html网页源码
+ WebElement 是查找元素的对象类型
- click() 点击
- send\_keys() 输入内容
+ 等待WebElement元素出现
- selenium.webdriver.support 模块
* ui
+ WebDriverWait(driver, timeout)
- until(expected\_conditions, err\_msg)
* expected\_conditions
+ visibility\_of\_all\_elements\_located((By, value))
#### Chrome-headless
options = Options()
options.add_argument(‘–headless’)
options.add_argument(‘–disable-gpu’)
# options.binary_location=r’/Users/apple/PycharmProjects/xpy905_spider/day04/chromedriver’
chrome = Chrome(options=options)
headless 无窗口
#### Splash渲染
#### 下载镜像
通过docker下载splash镜像
官方服务器
sudo docker pull scrapinghub/splash
私有的docker仓库下载
sudo docker pull 10.36.173.95:5000/splash
#### 启动镜像
sudo docker run -itd --name splash-s -p 8050:8050 10.36.173.95:5000/splash
-p 指定宿主机和容器的端口映射关系,
格式: `[宿主机端口]:[容器的端口]`
-d 后台启动, -t 可以打开容器的终端, -i 可进入容器
进入容器
sudo docker exec -it splash-s bash
未进入容器时,也可以通过`exec`命令执行容器中的命令
sudo docker exec splash-s ls -l
`ls -l` 命令会列出`splash-s`容器当前的目录下的所有文件。
#### render.html接口
渲染动态js的接口: [http://ip:port/render.html]( )
接口的参数:
* url 目标的网址
* wait 等待渲染或加载的时间
* proxy
* headers
* timeout
如,渲染jd.com网页
http://10.36.173.186:8050/render.html?url=https://jd.com
#### 自动化测试
#### 单元测试
Pythonu单元测试模块-unittest
from unittest import TestCase
class TestIndex(TestCase):
def setUp(self):
print(‘–测试前的资源准备工作—’)
def test_a_add_index(self):
print('--添加索引--')
data['index_name'] = 'person_sos'
def test_b_query_index(self):
print('--查询索引--')
def test_c_delete_index(self):
print('--删除索引--')
def tearDown(self):
print('--测试后的资源回收工作---')
#### 集成测试
单元测试套件 unitest.TestSuit
“”"
使用单元测试,测试ES搜索引擎的RESTful接口
- requests
- unittest
“”"
from unittest import TestCase, TestSuite, TextTestRunner
data = {
}
class TestDoc(TestCase):
def test_a2_add_doc(self):
print(f’-{data[“index_name”]}-增加doc文档–')
def test_a3_query_doc(self):
print(f'-{data["index_name"]}-查询doc文档--')
if name == ‘main’:
# 必须以普通的Python脚本运行
suite = TestSuite()
suite.addTest(TestIndex.test_a_add_index)
suite.addTest(TestDoc.test_a2_add_doc)
suite.addTest(TestDoc.test_a3_query_doc)
TextTestRunner().run(suite)
#### 作业
* 写出Python协程的模块及核心函数
* 写出Selenium的查找元素的方式
* 写出Python获取命令行参数的方式
###
### 爬虫第六天
#### 回顾知识点
#### 爬虫的认知
- 数据请求(网络请求库)
- 数据解析(re/xpath/bs4)
- 数据存储(csv/pymysql/json??)
- 反反爬的策略
- ip代理
- ua池
- cookie池: 收集手动登录之后的响应的Cookie信息
- 请求间隔(2~5秒)
- 验证码处理(打码平台、机器学习???)
#### 网络请求库
-
urllib
- request
- urlopen()
- urlretrieve(fullurl, filename)
- Request(url, data=None, headers)
- build_opener(*handlers)
- HTTPHandler
- HTTPCookieProcessor(http.cookiejar.CookieJar())
- ProxyHandler(proxies={})
- parse
- quote()
- urlencode()
- request
-
http.client.HTTPResponse
- code
- getheaders()
- getheader(name, default)
- read() 读取的响应字节数据
-
requests (第三方)
- request(method, url, params, data, json, files, headers, cookies, proxies, auth)
- get(url, params, **kwargs)
- post(url, data, json, **kwargs)
- put(url, data, json, **kwargs)
- delete(url, **kwargs)
- Response
- status_code
- encoding
- headers
- content 字节数据
- text 文本数据
- json() json文本反序列化为Python的dict/list的对象
#### 数据解析
-
re
-
xpath (pip install lxml)
- from lxml import etree
root = etree.HTML(html)
root.xpath(‘’) # list[‘’] / list[, ] - 返回文本列表的xpath表示
- @href/@src 标签属性
- text() 标签文本
- 返回Element元素列表
- //title
- //ul/li[1]
- from lxml import etree
-
bs4 (pip install bs4)
-
from bs4 import BeautifulSoup
root = BeautifulSoup(html, ‘lxml’) # bs4.element.Tag -
查询元素标签的方法
- find(‘标签名’, class_, id_) 查找第一个
- find_all(‘标签名’, class_, id_, limit=N) 查找前N个
- select(‘css选择器’)
- #id
- .classname
- 标签名
- 后代标签
- 兄弟标签 (查找多个标签)
- 属性标签
- 伪类
-
Tag属性
- string/text
- get_text()
- attrs: dict 标签中所有属性的字典
- contents 子标签的文本列表
- descendants 子标签的Tag列表
-
#### 多任务爬虫
* 多线程
+ threading
- Thread
+ queue.Queue 线程队列
* 多进程
+ multiprocessing
- Process
- Queue 进程队列
* 协程
+ asyncio
- coroutine 协程装饰器
- get\_event\_loop()
- wait()
- sleep()
+ yield from
+ async / await
#### selenium框架
以driver程序驱动浏览器,对目标(网站或网页)进行操作(请求网页、提取数据、截图、切换或关闭页签-window)。
-
chrome.get() 打开目标(发起请求)
-
chrome.quit() 退出浏览器
-
chrome.close() 关闭当前的窗口
-
chrome.find_element(By, value)
- selenium.webdriver.common.by.By
- ID
- CLASS_NAME
- NAME
- XPATH
- CSS_SELECTOR
_ LINK_TEXT
- WebElement 查到的标签对象
- get_attribute(‘属性名’, default)
- text 标签文本
- click()
- send_keys()
- rect 当前元素的位置(left, top, width, height)
- selenium.webdriver.common.by.By
-
chrome.find_elements(By, value)
-
execute_script()
-
save_screenshot(filename) 截图
-
等待某一个标签元素出现
- selenium.webdriver.support
- ui
- WebDriverWait
- expected_conditions
- visibility_of_all_elements_located((By, value))
- ui
ui.WebDriverWait(dirver, timeout).until(
expected_conditions,
error_msg
) - selenium.webdriver.support
#### docker
容器技术,将远程的docker仓库中的镜像下拉到本地, 再将镜像运行成为一个容器(进程)。
- 镜像操作
- 基本信息
- 名称
- 版本
- ID
- 描述
- docker images 查看所有镜像
- docker rmi 名称:版本号 / ID 删除镜像
- docker run 名称:版本号 / ID 启动镜像
- -dit 后台启动镜像,启动后可进入容器并打开新的terminal(终端)
- -p 宿主机端口: 容器端口
- 基本信息
- 容器操作
-
docker ps 查看正运行的容器
- -a 查看所有的容器
- -l 查看最后一个启动的容器
-
docker logs 容器名或ID 查看容器运行的日志
-
docker exec 容器名或ID Linux命令 在容器中执行Linux命令
- docker exec -it 容器名或ID bash 进入容器
-
docker stop 容器名或ID
-
docker start 容器名或ID
-
docker restart 容器名或ID
-
docker rm -f 容器名或ID 删除容器, -f强制删除正运行的容器
-
#### 日志模块进阶
#### 日志格式
| 格式 | 说明 |
| --- | --- |
| %(name)s | 记录器的名称, 默认为root |
| %(levelno)s | 数字形式的日志记录级别 |
| %(levelname)s | 日志记录级别的文本名称 |
| %(filename)s | 执行日志记录调用的源文件的文件名称 |
| %(pathname)s | 执行日志记录调用的源文件的路径名称 |
| %(funcName)s | 执行日志记录调用的函数名称 |
| %(module)s | 执行日志记录调用的模块名称 |
| %(lineno)s | 执行日志记录调用的行号 |
| %(created)s | 执行日志记录的时间 |
| %(asctime)s | 日期和时间 |
| %(msecs)s | 毫秒部分 |
| %(thread)d | 线程ID |
| %(threadName)s | 线程名称 |
| %(process)d | 进程ID |
| %(message)s | 记录的消息 |
- Python脚本中执行当前操作系统的命令的方法
- os.chdir() 切换当前目录
- os.system() 无返回结果 (打开一个子进程执行 命令)
- os.popen() 可读取返回结果
- os.chdir() 切换当前目录
#### 日志模块的核心
* 四大核心
+ 日志记录器 Logger
+ 日志处理器Handler
+ 日志的过滤器Filter
+ 日志的格式化Formatter
#### scrapy框架
#### scrapy架构组成
* 五个核心
+ **engine 引擎**, 协调其它四个组件之间的联系,即与其它四个组件进行通信,也是scrapy框架的核心。
+ **spider 爬虫类**, 爬虫程序的编写代码所在, 也是发起请求的开始的位置。spider发起的请求,经过engine转入到scheduler中。
+ **scheduler 调度器**, 调度所有的请求(优先级高,则会先执行)。当执行某一个请求时,由engine转入到downloader中。
+ **donwloader 下载器**, 实现请求任务的执行,从网络上请求数据,将请求到的数据封装成响应对象,并将响应的对象返回给engine。engine将数据响应的数据对象(以回调接口方式)回传给它的爬虫类对象进行解析。
+ **itempipeline 数据管道**, 当spider解析完成后,将数据经engine转入到此(数据管道)。再根据数据类型,进行数据处理(图片、文本)
* 二个中间件
+ **爬虫中间件**, 介于Spider和Engine之间的,可以拦截Spider的发起的请求及数据。
+ **下载中间件**,介于Engine和Downloader之间的,可以拦截下载和响应。当然在下载处理之前,可以设置代理 、请求头、Cookie等操作(反反爬设置),还可以基于Splash或Selenium实现特定的操作。
#### scrapy指令
* 创建项目命令
+ scrapy startproject 项目名称
* 创建爬虫命令
+ scrapy genspider 爬虫名 域名
* 启动爬虫命令
+ scrapy crawl 爬虫名
* 调试爬虫命令
+ scrapy shell url
+ scrapy shell
- fetch(url)
#### Response类
* 属性相关【重点】
+ body 响应的字节数据
+ text 响应的编码之后文本数据
+ headers 响应头信息, 是字节数据
+ encoding 响应数据的编码字符集
+ status 响应的状态码
+ url 请求的url
+ request 请求对象
+ meta 元数据,用于request和callback回调函数之间传值
* 解析相关【重点】
+ selector()
+ css() 样式选择器 , 返回Selector选择器的可迭代(列表)对象
- scrapy.selector.SelectorList 选择器列表
* x()/xpath()
- scrapy.selector.Selector 选择器
- 样式选择器提取属性或文本
* `::text` 提取文本
* `::attr("属性名")` 提取属性
+ xpath() xpath路径
xpath路径,同lxml的xpath()写法
+ 选择器常用方法
- css()/xpath()
- extract() 提取选择中所有内容,返回是list
- extract\_first()/get() 提取每个选择器中的内容, 返回是文本
#### Request类
* scrapy.http.Request
请求对象的属性
+ url
+ callback 解释数据的回调函数对象
+ headers 请求头
+ priority 请求的优先级, 值越高,优先级越高(优先下载)
#### 作业
* 写出selenium向下和向右滚动的脚本
document.documentElement.scrollTop 向下
document.documentElement.scrollLeft 向右
* 写出restful接口设计规范(四个)
+ 每个资源都有唯一标识 URI
+ 每个资源具有四个动作, GET|POST|PUT|DELETE
+ 每次请求都是无状态
+ 接口交互的数据是json或xml
* 写出常见的反爬虫和反反爬虫
+ 访问次数 - IP代理
+ Cookie验证- Cookie池
+ UA验证 - UA池
+ 验证码 - 打码平台
+ 动态js渲染 - Selenium/Splash
* 爬取 [陕西省政府采购网]( ) 陕西省采购网
* 基于Flask实现日志上报服务器(日志微服务)
+ logging.handlers.HTTPHandler
![](https://img-blog.csdnimg.cn/20210922220513606.jpg?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5LqU5YyF6L6j5p2h77yB,size_20,color_FFFFFF,t_70,g_se,x_16)
### 爬虫第七天
#### 回顾知识点
#### 日志模块
import logging
from logging import StreamHandler, FileHandler
* 四个核心部分
+ 日志记录器logger: 记录日志信息
+ 日志处理器 handler: 记录信息之后,由handler去处理
+ 日志过滤器 filter: 对记录信息进行过滤。
+ 日志格式化 formatter: 由处理器对记录的信息按formatter格式进行处理(除HTTPHandler和SMTPHandler之外)。
* 核心方法或函数
+ logging.getLogger(name) # 默认没有name时,返回root
+ logging.baseConfig() 配置root记录器的格式、处理器等。
+ logging.info()/debug()/warning()/error()/critical() 由root记录器记录日志信息。
* logger记录器的核心方法
+ setLevel(logging.DEBUG|INFO|WARNING|ERROR|FATAL)
+ addHandler(handler)
+ addFilter(Filter)
+ debug()|info()….
* handler处理器的核心方法
+ setLevel(logging.DEBUG|INFO|WARNING|ERROR|FATAL)
+ setFormatter(fmt)
* Formatter初始化参数
+ format 格式化的字符串, 使用`%(日志变量)s` 相关日志变量占位符组成的字符串
```
'hi, %(name)s, age is %(age)s' % {'age': 20, 'name': 'jack'}
```
```
'hi, %s, age is %s' % ('disen', 30)
```
+ datefmt 指定 `%(asctime)s` 日志时间的格式, 通常使用 `%Y-%m-%d %H:%M:%S` 即`年月日 时分秒`格式。
#### scrapy框架
五大组件两个中间件
* engine 核心引擎
* spider 爬虫类
* scheduler 调度器
* downloader 下载器
* itempipeline 数据管道
* 爬虫中间件、下载中间件
scrapy指令
* scrapy startproject 项目名
* scrapy genspider 爬虫名 域名
* scrapy crawl 爬虫名
+ -o 保存数据到指定的文件中
+ -s 信号(CLOSESPIDER\_ITEMCOUNT=30)
* scrapy shell [url]
+ fetch(url)
+ view(response)
+ request: scrapy.http.Request
+ response: scrapy.http.Response|HtmlResponse
+ scrapy
Response对象的属性或方法
* body|text|encoding|status|url|request|headers|meta
* xpath()|css() -> scrapy.selector.SelectorList[Selector]
+ extract()
+ get()
+ extract\_first()
* css() 中表达式
+ `样式选择器[::text|attr("属性名")]`
* xpath()中表达式
同lxml的xpath表达式相同。
Request初始化参
* url
* callback 如果未指定,则默认为 `parse`
* priority 优先级的权限值, 值高优先级高
* meta
* headers
* dont\_filter 是否过滤重复的url, True不过滤,Flase过滤.
#### scrapy数据管道
#### 指令方式存储
scrapy crawl 爬虫名 -o xxx.json|csv
只适合单页数据爬取,如果多页多层次数据爬取时,不适合此方式。
Item类
作用: 用于区别中哪一页(类型)的数据
用法: 类似于dict用法, 在数据管道类的process\_item()方法中,通过isinstance()方法来判断item是哪一类型的。
import scrapy
class BookItem(scrapy.Item):
book_id = scrapy.Field()
book_name = scrapy.Field()
book_cover = scrapy.Field()
book_url = scrapy.Field()
author = scrapy.Field()
tags = scrapy.Field()
summary = scrapy.Field()
class SegItem(scrapy.Item):
book_id = scrapy.Field()
seg_id = scrapy.Field() # 章节ID
title = scrapy.Field()
url = scrapy.Field()
class SegDetailItem(scrapy.Item):
seg_id = scrapy.Field() # 章节ID
content = scrapy.Field() # 内容
#### Pipeline
* 处理数据的方法
def process_item(self, item, spider):
return item
+ item参数表示 爬虫类中解释到的数据(yield item)
+ spider参数 表示爬虫类对象
+ 如果item被返回,则表示可以被优先级低的pipeline处理
* 初始化方法
属于定制方法,可以初始化一些参数或对象,如文件名, 数据库的连接等。
* `process_item`和`init`的调用次数说明
+ `process_item`方法 会被(engine)多次调用
+ `init`随着爬虫程序的启动时创建pipeline类时调用,只会被调用一次
#### 定量爬虫
#### 基于信号方式
scrapy crawl -s 信号
常用的scrapy信号
* **CLOSESPIDER\_ITEMCOUNT=**条目的数量
* CLOSESPIDER\_PAGECOUNT=请求页的数量
* CLOSESPIDER\_ERRORCOUNT=请求错误的数量
* CLOSESPIDER\_TIMEOUT=超时的时长
scrapy crawl wanben -s CLOSESPIDER_ITEMCOUNT=10
#### 下载中间件
#### 爬虫中间件
监测爬虫类与引擎之间的交互数据(请求 request、响应 response、数据item)及异常情况
@classmethod
def from_crawler(cls, crawler): pass # 启动爬虫时用于创建爬虫中间件类的实例对象
def process_spider_input(self, response, spider) # 流程中第6步,engine将请求响应的数据输入给spider时,调用此方法。
def process_spider_output(self, response, result, spider) # 流程中第7步,由spider类解析response数据之后产生结果输出给engine时,调用此方法
def process_spider_exception(self, response, exception, spider): # 解析数据时发异常时
def process_start_requests(self, start_requests, spider): # 第一次爬虫发起请求时,调用此方法,即流程中第1步,从Spider->Engine时。
#### 下载中间件 [重点]
下载中间件是引擎engine和下载器downloader之间的中间件,可以拦截请求和响应以及请求异常的处理。
@classmethod
def from_crawler(cls, crawler)
def process_request(self, request, spider)
def process_response(self, request, response, spider)
def process_exception(self, request, exception, spider)
* **process\_request()**方法可返回的对象(四种可能)
+ scrapy.http.Request
+ scrapy.http.HtmlResponse/Response
+ None 表示不拦截
+ raise IgnoreRequest 不下载这个请求
* **process\_response()**方法可以返回的对象
+ scrapy.http.Request 未下载成功请求
+ scrapy.http.Response 进一步封装之后的response
#### 4.3 作用
在下载中间件中,可以设置代理、设置cookie、设置请求头以及基于Selenium实现动态js渲染和用户登录。
#### 作业
* 写出scrapy的工作流程中第3、6两个步骤的描述
第3步: 引擎从调度器中获取下载任务, scheduler -> engine
第6步: 引擎从下载器获取的响应传递给spider, 用于解析。engine-> spider。 ( response.request.callback(response) )
* 写出logging.baseConfig()方法的参数(4+)
logging.baseConfig(filename, # 文件处理器参数
mode=“a”, # 文件处理器参数
format, # formatter
datefmt, # formatter
handlers, # addHandler(),
filters, # addFilter()
stream) # filename设置后, stream无效
* 根据左边AA表结构和右边的查询结果,写出查询的SQL
--------------------------- ----------------------
| year | month | amount | | year | m1 | m2 |
--------------------------- ----------------------
| 1991 | 1 | 1.1 | | 1991 | 1.1 | 1.2 |
--------------------------- ----------------------
| 1991 | 2 | 1.2 | | 1992 | 2.1 | 2.2 |
--------------------------- ----------------------
| 1992 | 1 | 2.1 |
| 1992 | 2 | 2.2 |
+ join连接表方式
```
select a1.year, a1.amount as m1, a2.amount as m2
from AA a1
join AA a2 on (a1.year = a2.year)
where a1.month=1
and a2.month=2;
```
+ if/case判断函数方式
```
select if(条件, 成立的结果, 不成立的结果);
```
```
select year,
max(round(if(month=1, amount, 0),1)) m1,
max(round(if(month=2, amount, 0),1)) m2
from AA
group by year;
```
```
select year,
max(round(m1, 1)) as m1,
max(round(m2, 1)) as m2
from (
select year,
case when month=1 then amount else 0 end as m1,
case when month=2 then amount else 0 end as m2
from AA
) a
group by year;
```
```
select year,
max(round(m1, 1)) as m1,
max(round(m2, 1)) as m2
from (
select year,
case month when 1 then amount else 0 end as m1,
case month when 2 then amount else 0 end as m2
from AA
) a
group by year;
```
![](https://img-blog.csdnimg.cn/20210922220534771.gif)
### 爬虫第八天
#### 回顾知识点
#### 数据处理
* 启动爬虫的指令中带有 -o参数, 指定数据存储的文件(csv/json/xml)位置
* 数据管道 pipeline
+ settings.py中配置管道类
+ process\_item(self, item, spider) 管道类的处理数据的方法
- 通过**isinstance()** 判断item属于哪一种类型, 然后按某一类型进行处理
- 扩展 Python的自省相关函数
```
type(obj) 获取对象的类型
dir(obj) 获取对象中所有的属性(函数、类、变量)
help(obj) 获取对象的文档帮助信息
isinstance(obj, 类) 判断obj是否为类的实例对象
issubclass(类, 父类) 判断类是否为父类的子类
hasattr(对象, 属性或方法) 判断对象中是否存在属性或方法
getattr(对象, 属性或方法) 获取对象中的属性或方法
setattr(对象, 属性, 属性值) 设置对象的属性或方法
id(对象) 获取对象在内存中的唯一标识
```
- 返回item: 目的是让优先级低的数据管道类可以接收到item数据。
#### 中间件
* 爬虫中间件(scrapy工作流中第1, 第6, 第7等3个步)
@classmethod
def from_crawler(self, crawler)
def process_spider_input(self, response, spider)
def process_spider_output(self, response, result, spider)
def process_spider_exception(self, response, exception, spider)
def process_start_requetst(self, start_requests, spider)
def spider_opened(self, spider)
* 下载中间件 (第4, 5两个步骤)
@classmethod
def from_crawler(self, crawler)
def process_request(self, request, spider):
return None|Request|Response| raise IgnoreRequest
def process_response(self, request, response, spider)
return response|request
def process_exception(self, request, excecption, spider)
def spider_opened(self, spider)
#### 规则爬虫
* 创建规则爬虫的指令
scrapy genspider -t crawl 爬虫名 域名
* 链接提取器 LinkExctractor
+ 正则方式 (allow | deny)
+ restrict\_xpaths() xpath方式指定`a`标签所在的(间接)父级标签
+ restrict\_css() 样式方式指定`a`标签所在的(间接)父级标签
* Rule() 规则
+ extractor: LinkExtractor
+ callback: str
+ follow=True 表示提取的连接在请求成功后,解析时是否继续按此规则提取连接
* 不能重写parse()函数 【注】
#### 规则爬虫【重】
#### LinkExtractor 类
作用: 提取感兴趣的`a`标签中的连接`href`属性, 因此在指定正则表过式,参考某些`a`标签中`href`属性的写法。如果正则提取困难,则支持css或xpath两个方式来指定`a`标签所在的父级标签。
#### 核心的类
* scrapy.spiders.CrawlSpider 规则爬虫类
重写了parse()解析函数,在此函数中通过指定规则中的LinkExtractor对象来提取当前响应数据中的连接,并向engine发起新的请求。新的请求中包含提取的连接url和rule中的回调函数。
def parse(self, response):
return self._parse_response(response,
self.parse_start_url, cb_kwargs={}, follow=True)
def _parse_response(self, response, callback, cb_kwargs, follow=True):
if callback:
cb_res = callback(response, **cb_kwargs) or ()
cb_res = self.process_results(response, cb_res)
for requests_or_item in iterate_spider_output(cb_res):
yield requests_or_item
if follow and self._follow_links:
for request_or_item in self._requests_to_follow(response):
yield request_or_item
def _requests_to_follow(self, response):
if not isinstance(response, HtmlResponse):
return
seen = set()
for n, rule in enumerate(self._rules):
links = [lnk for lnk in rule.link_extractor.extract_links(response)
if lnk not in seen]
if links and rule.process_links:
links = rule.process_links(links)
for link in links:
seen.add(link)
r = self._build_request(n, link)
yield rule.process_request®
* scrapy.spiders.Rule 规则类
+ extractor: LinkExtractor
+ callback:str
+ follow:bool
* scrapy.linkextractors.LinkExtractor 链接提取器类
+ allow
+ deny
+ restrict\_xpaths
+ restrict\_css
* 创建规则爬虫是使用 -t crawl 模板
scrapy genspider -t crawl 爬虫名 域名
#### 图片管道
#### 使用ImagesPipeline
* settings.py配置
+ IMAGES\_STORE 指定数据存放的位置
+ 在`ITEM_PIPELINES`字典中,引入`scrapy.pipelines.images.ImagesPipeline`
+ 配置缩略图
```
IMAGES_THUMBS = {
'small': (with, height),
'big': (widht, height)
}
```
* item数据属性
+ image\_urls: list 表示下载图片地址的列表
+ images: list 表示下载完成后的图片存放在`IMAGES_STORE`中的路径及相关的属性
#### 自定义ImagesPipeline
>
> 实现ImagesPipeline的子类,重写三个核心的方法。
>
>
>
三个核心的方法:
* get\_media\_requests(self, item, info) 根据item中图片连接的属性,返回图片下载的request。
可以返回一个Request也可以多个Request的列表
* file\_path(self, request, response, info) 根据请求和响应返回图片保存的位置(相对于IMAGES\_STORE)。
如果返回的路径中包含子路径时,系统会自动创建子目录( os.makedirs() )。
* item\_completed(self, results, item, info) 图片下载完成后,从results的结果获取图片的保存路径,并设置到item中,最后返回这个item。
results格式
[
(True, {‘path’: ‘’, ‘url’: ‘’, chucksum: ’ '} ),
(True, {‘path’: ‘’, ‘url’: ‘’, })
]
####
#### 其它技术点
#### 日志
>
> scrapy的日志记录器在爬虫类对象中, 是logger, 通过爬虫对象的logger来记录运行的信息。scrapy的logger日志记录器使用了Adpater设计模式的logging.LoggerAdapter类。
>
>
>
【扩展】构建器设计模式 Builder ( 函数式-流式编程 )
car: Car = CarBuilder().step1().step2().step3().step4().build()
text = response.xpath().css().xpath().css().xpath().get()
Python开发人员需要掌握的设计模式: 单例、工厂、装饰器、适配器、构建器、生产者消费者(消息队列-订阅/发布)。
配置
在settings.py文件中,指定收集日志的等级及日志存储的文件名
LOG_LEVEL = ‘’ # DEBUG|INFO|ERROR|WARNING|CRITICAL
LOG_FILE = ‘文件名’ # os.path.join(BASE_DIR, ‘access.log’)
在程序中使用
* 爬虫日志记录器
spider.logger.info()/error()
* 获取scrapy中其它的记录器
+ 内置的记录器
- scrapy.utils.log
- scrapy.crawler
- scrapy.middleware
- scrapy.downloadermiddlewares.httpauth|downloadtimeout…
- scrapy.core.engine
- scrapy.utils.signal
logging.getLogger(‘scrapy.utils.log’).info()/warning()
* 自定义记录器
error_logger = logging.getLogger(‘dushu-project’)
error_logger.setLevel(logging.ERROR)
handler = logging.FileHandler(
os.path.join(BASE_DIR, ‘error.log’),
encoding=‘utf-8’
)
handler.setLevel(logging.ERROR)
handler.setFormatter(logging.Formatter(
‘%(asctime)s %(name)s at %(lineno)s of %(pathname)s : %(message)s’
))
error_logger.addHandler(handler)
使用时
from dushu.settings import error_logger
error_logger.error(‘消息’)
#### post请求
* scrapy.http.FormRequest
+ url
+ formdata: dict( value必须都是字符串类型)
+ cookies: dict
+ headers: dict
+ callback 默认parse
* 如果爬虫中第一次的请求是post请求,则重写Spider类的start\_requests()方法
def start_requests(self):
self.url = ‘http://ccgp-shaanxi.gov.cn/notice/noticeaframe.do?noticetype=3&province=province&isgovertment=’
self.data = {
‘page.pageNum’: ‘1’
}
self.MAX_PAGE = 1399
yield FormRequest(self.url, formdata=self.data)
不需要指定start\_urls 列表。
#### Selenium中间件
作用: 动态渲染js(ajax加载数据)
4.3.1 定义下载中间件类
class LoadDataMiddleware():
@classmethod
def from_crawler(cls, crawler):
# This method is used by Scrapy to create your spiders.
s = cls()
crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
crawler.signals.connect(s.spider_closed, signal=signals.spider_closed)
return s
* 连接打开爬虫类的信号,在处理函数中打开chrome
def spider_opened(self, spider):
# 创建Selenium的Chrome浏览器对象
# chromedriver.exec 所在的目录已配置到环境变量Path中
options = Options()
options.add_argument('--headless')
options.add_argument('--disable-gpu')
self.chrome = Chrome(options=options)
* 连接关闭爬虫类的信号,在处理函数中退出chrome
* ```
def spider_closed(self, spider):
self.chrome.quit()
- 处理process_request()方法编写核心业务
def process_request(self, request, spider):
# 判断是否为第一次请求
if not request.meta.get('next_page', False):
self.chrome.get(request.url)
else:
# 点击下一页
self.chrome.execute_script('var q=document.documentElement.scrollTop=1200')
time.sleep(0.5)
self.chrome.execute_script('var q=document.documentElement.scrollLeft=1000')
time.sleep(0.5)
self.chrome.find_elements_by_xpath('//ul[@class="pagination"]/li/a')[-2].click()
time.sleep(2)
html = self.chrome.page_source
return HtmlResponse(request.url, body=html.encode('utf-8'))
配置
DOWNLOADER_MIDDLEWARES = {
'caigou.middlewares.LoadDataMiddleware': 543,
}
爬虫类
class ShaanxiSpider(scrapy.Spider):
name = 'shaanxi2'
allowed_domains = ['ccgp-shaanxi.gov.cn']
# start_urls = ['http://ccgp-shaanxi.gov.cn/notice/noticeaframe.do?noticetype=3&province=province&isgovertment=']
start_urls = ['http://ccgp-shaanxi.gov.cn/notice/list.do?noticetype=3&province=province']
def parse(self, response):
trs = response.css('.list-box tbody tr')
for tr in trs:
item = {}
item['id'] = tr.xpath('./td[1]/text()').get()
item['area'] = tr.xpath('./td[2]/text()').get()
item['title'] = tr.xpath('./td[3]/a/text()').get()
item['url'] = tr.xpath('./td[3]/a/@href').get()
item['date'] = tr.xpath('./td[4]/text()').get()
yield item
# 获取下一页数据
if len(trs) == 15:
yield Request(response.request.url,
meta={'next_page': True}, dont_filter=True)
dont_filter=True 原因是可能会被认为是重复, 让engine不去过滤重复的url。
作业
CLOSESPIDER_ITEMCOUNT item数据条目量
CLOSESPIDER_PAGECOUNT 请求成功响应的次数
def process_request(self, request, spider):
return None|Request|Response | rasie IgnoreRequest
+ None 表示不拦截当前的请求
+ Request 重新返回新的请求, engine将这个新请求压入到Scheduler中
+ Response 表示不需要下载器下载,由自己程序下载并且封装成Response对象。
+ raise IgnoreRequest 取消当前的request请求(重复, 过滤的)
当爬虫程序启动后,用于创建当前中间件类实例的方法。
可以监听爬虫程序是否正常启动。
【扩展】类方法、静态方法和实例方法的区别??
类方法:类对象(由元类创建类的对象)的方法,第一个参数是cls(表示当前类本身)。
@classmethod 修饰的方法
类实例方法: 由类的__new__()函数处理的类实例对象的方法,第一个参数是self(表示当前类的实例)
静态方法: 和类没有任何关系,只是在当前类中声明,方法的参数不会出现cls和self。
@staticmethod 修改的方法
【扩展】什么是抽象方法?
抽象方法是在父类中声明(没有实现功能),由子类实现的方法。如果子类中未实现,则会在调用时报错。
class Animal():
def eat(self): # 抽象方法
raise Exception('子类中必须实现此方法!')
class Pig(Animal):
def eat(self):
print('Pig eat ', 'ddd')
class Dog(Animal):
def eat(self):
print('Dog eat ', 'abc')
爬虫第九天
回顾知识点
规则爬虫
-
scrapy.spiders.CrawlSpider 所有规则爬虫类的父类
-
scrapy.spiders.Rule 规则类
- LinkExtractor 连接提取类的实例对象
- callback: str 指定提取器提取的连接请求成功之后的数据解析的函数
- follow: bool 表示对提取连接请求成功后的数据是否继续提取连接
-
scrapy.linkextractors.LinkExtractor
- allow: str 提取连接中的href的正则表示
- deny: str 拒绝提取连接中的href的正则表示
- restrict_xpaths 以xpath的路径方式指定
a
所在的父级标签 - restrict_css 以css的样式选择器方式指定
a
所在的父级标签
-
创建规则爬虫的指令
scrapy genspider -t crawl 爬虫名 域名
日志
- logging.LoggerAdapter 日志适配器类, 封装日志记录器和spider等相关消息
- 每个爬虫类都存在它的日志记录器,记录器名称即是
爬虫名
(self.name) - 在中间件或管道等相关处理数据(item/request/response)的方法中都存在spider对象
spider.logger.info()/error()..记录日志
- 在settings.py中配置日志记录的等级及日志文件存储的位置
LOG_LEVEL='INFO'
LOG_FILE = '/var/log/xxx.log'
- 可以自定义日志记录器(可以声明一个日志处理模块-
log_
)
dushu
|---dushu
|---spiders
|---item.py
|---middleware.py
|---pipeline.py
|---settings.py
|---log_
|--__init__.py
|---scrapy.cfg
如log_.__init__.py
文件中的内容:
import logging
from logging import Formatter, FileHandler
logger = logging.getLogger('dushu')
logger.setLevel(logging.INFO)
handler = FileHandler('/var/log/dushu.log')
handler.setLevel(logging.INFO)
handler.setFormatter(Formatter(format='%(asctime)s: %(message)s',
datefmt='%Y-%m-%d %H:%M:%S'))
logger.addHandler(handler)
from dushu.log_ import logger
logger.info('记录的信息')
ImagesPipeline
- scrapy.pipelines.images.ImagesPipeline 配置在settings.py的
ITEM_PIPELINES={}
中 - 在settings.py文件配置图片存储的位置
IMAGES_STORE = '/var/src/images'
-
在爬虫类的parse()中,指定item的
image_urls
和images
-
自定义ImagesPipeline
- 声明ImagesPipeline的子类
- 重写get_media_requests(self, item, info)方法, 在此方法中获取item的图片下载地址,返回相关的Request(url, meta={‘name’: item[‘name’]})
- 重写file_path(self, request, response, info)方法, 在此方法中返回相对于IMAGEs_STORE图片存储的相对路径
return '%s/%s.jpg' %(dir_name, file_name)
- 重写item_completed(self, results, item, info),在此方法中,从results中获取下载文件存储的路径, 并添加到item中
path = [ data['path'] for ok, data in results if ok] item['path'] = ','.join(path) return item
Selenium下载中间件
-
声明一个类, 并将此类配置在
DOWNLOADER_MIDDLEWARES={}
-
声明
from_crawler(self, crawler)
创建当前中间件类的实例的, 在此方法中指定spider_opened
和spider_closed
两个信号的处理方法- 在spider_opened()方法中,创建Chrome浏览器的驱动对象
- 在spider_closed()方法, 将chrome浏览器对象进行退出
-
声明
process_request(self, request, spider)
处理每个请求
self.chrome.get(request.url)
# ....等待某个UI元素出现
html = self.chrome.page_sources
return scrapy.http.HtmlResponse(request.url, body=html.encode('utf-8'))
分布式爬虫
什么是分布式
-
Hadoop 分布式计算框架(大数据处理)HDFS(分布式文件系统)
- MapReduce
- Hbase 数据库
- Hive 实时数据库
- Spark 大数据平台(MySQL、Hbase)
-
由多个服务器(操作系统-PC)组成,在调度器调度的情况下完成不同的任务,这种架构称之为分布式。常见的调度器是消息中间件、服务注册中心、负载均衡等组成。
常见消息队列
- Redis订阅与发布-实现消息队列
- RabbitMQ 基于Channel实现消息队列
- Kafka 消息队列
scrapy-redis
- 安装包: pip install scrapy-redis
- 配置调度器类、去重类及消息中间件(队列的位置)
SCHEDULER="scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST=True
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
REDIS_URL='reids://[:password@]host-ip:6379/1' # 0-15数据库索引
-
修改爬虫类
- 父类 scrapy_redis.spiders.RedisSpider|RedisCrawlSpider
- 去掉start_urls 列表
- 增加redis_key 字符串变量, 指定redis服务中存储的key
-
按正常启动爬虫程序命令启动爬虫
scrapy crawl 爬虫名
- 连接redis服务,向redis_key的列表list中推送请求任务
lpush xxxx http://www.xxxx.com/xxx/
爬虫程序部署
scrapyd
- 安装scrapyd服务和客户端
pip install scrapyd scrapyd-client
-
如果在云服务器安装scrapyd
- 修改scrapyd源码中app.py文件
bind_addres = '0.0.0.0'
- 在云服务的安全组中,放开6800端口
-
在scrapyd服务启动Python环境中安装爬虫需要的依赖库
-
修改爬虫项目scrapy.cfg文件
[deploy:100]
url = http://119.3.170.97:6800/
project = dushu_redis
- 使用scrapyd-deploy命令发布项目
scrapyd-deploy 100 -p dushu_redis
-
通过scrapyd的接口启动和停止爬虫
-
http://119.3.170.97:6800/scheduler.json 启动爬虫接口
- post请求
- project 项目名参数
- spider 爬虫名参数请求成功后,返回json数据,包含job_id数据,用于停止爬虫。
-
http://119.3.170.97:6800/cancel.json 停止爬虫接口
- post请求
- job 队列的ID
-
docker部署
编写Dockerfile文件
FROM 119.3.170.97:5000/ubuntu:latest
MAINTAINER disen 610039018@qq.com
ADD . /usr/src
WORKDIR /usr/src
VOLUME /usr/src
RUN pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple
RUN chmod +x run.sh
CMD /usr/src/run.sh
- ADD 命令将当前目录下所有文件复制到容器的
/usr/src
目录下 - WORKDIR 容器中切换当前的工作目录,类似于
cd
- VOLUME 将容器中的文件位置暴露给外部宿主机, 在启动镜像时,通过
docker run -v
同步宿主和容器之间的文件目录 - RUN 执行容器中的命令, 可以执行多次
- CMD 是当容器启动时执行的命令,且Docker中只能使用一次
编写shell文件
#!/bin/bash
cd /usr/src
scrapy crawl guoxue
构建镜像
在执行docker build
之前,需要将sh文件改为可执行, 且文件格式改为UNIX。
vi run.sh文件,按shift+:
进入命令行,执行以下指令:
:set ff=unix
docker build -t dushu:1.0 .
成功之后,查看镜像是否存在
给大家的福利
零基础入门
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
同时每个成长路线对应的板块都有配套的视频提供:
因篇幅有限,仅展示部分资料
网络安全面试题
绿盟护网行动
还有大家最喜欢的黑客技术
网络安全源码合集+工具包
所有资料共282G,朋友们如果有需要全套《网络安全入门+黑客进阶学习资源包》,可以扫描下方二维码领取(如遇扫码问题,可以在评论区留言领取哦)~
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注网络安全)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
.0.0.0’
```
+ 在云服务的安全组中,放开6800端口
- 在scrapyd服务启动Python环境中安装爬虫需要的依赖库
- 修改爬虫项目scrapy.cfg文件
[deploy:100]
url = http://119.3.170.97:6800/
project = dushu_redis
- 使用scrapyd-deploy命令发布项目
scrapyd-deploy 100 -p dushu_redis
-
通过scrapyd的接口启动和停止爬虫
-
http://119.3.170.97:6800/scheduler.json 启动爬虫接口
- post请求
- project 项目名参数
- spider 爬虫名参数请求成功后,返回json数据,包含job_id数据,用于停止爬虫。
-
http://119.3.170.97:6800/cancel.json 停止爬虫接口
- post请求
- job 队列的ID
-
docker部署
编写Dockerfile文件
FROM 119.3.170.97:5000/ubuntu:latest
MAINTAINER disen 610039018@qq.com
ADD . /usr/src
WORKDIR /usr/src
VOLUME /usr/src
RUN pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple
RUN chmod +x run.sh
CMD /usr/src/run.sh
- ADD 命令将当前目录下所有文件复制到容器的
/usr/src
目录下 - WORKDIR 容器中切换当前的工作目录,类似于
cd
- VOLUME 将容器中的文件位置暴露给外部宿主机, 在启动镜像时,通过
docker run -v
同步宿主和容器之间的文件目录 - RUN 执行容器中的命令, 可以执行多次
- CMD 是当容器启动时执行的命令,且Docker中只能使用一次
编写shell文件
#!/bin/bash
cd /usr/src
scrapy crawl guoxue
构建镜像
在执行docker build
之前,需要将sh文件改为可执行, 且文件格式改为UNIX。
vi run.sh文件,按shift+:
进入命令行,执行以下指令:
:set ff=unix
docker build -t dushu:1.0 .
成功之后,查看镜像是否存在
给大家的福利
零基础入门
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
同时每个成长路线对应的板块都有配套的视频提供:
因篇幅有限,仅展示部分资料
网络安全面试题
绿盟护网行动
还有大家最喜欢的黑客技术
网络安全源码合集+工具包
所有资料共282G,朋友们如果有需要全套《网络安全入门+黑客进阶学习资源包》,可以扫描下方二维码领取(如遇扫码问题,可以在评论区留言领取哦)~
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注网络安全)
[外链图片转存中…(img-HpqUn6BO-1713480010848)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!