爬虫工作流程
1、创建爬虫项目
2、采集数据
3、解析数据
4、储存数据
创建爬虫项目:
创建一个工作目录。在项目中新建middlewares.py文件(./项目名/middlewares.py)
采集数据:
#! -*- encoding:utf-8 -*-
import base64
import sys
import random
PY3 = sys.version_info[0] >= 3
def base64ify(bytes_or_str):
if PY3 and isinstance(bytes_or_str, str):
input_bytes = bytes_or_str.encode('utf8')
else:
input_bytes = bytes_or_str
output_bytes = base64.urlsafe_b64encode(input_bytes)
if PY3:
return output_bytes.decode('ascii')
else:
return output_bytes
解析数据:
常用的解析方法其实无非那么几种,我们需要将采集的数据进行分析,从html和js里解析出来。可以使用xpath解析
储存数据:
可以将解析分析出来的数据通过文件方式储存
爬虫采集过程:
class ProxyMiddleware(object):
def process_request(self, request, spider):
# 代理服务器(产品官网 www.16yun.cn)
proxyHost = "t.16yun.cn"
proxyPort = "31111"
# 代理验证信息
proxyUser = "username"
proxyPass = "password"
request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort)
# 添加验证头
encoded_user_pass = base64ify(proxyUser + ":" + proxyPass)
request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass
# 设置IP切换头(根据需求)
tunnel = random.randint(1,10000)
request.headers['Proxy-Tunnel'] = str(tunnel)
爬虫程序中设置目标网站,添加代理信息,添加UA信息,发出请求,获取数据,分析数据,存储数据。