行百里者半九十 —— scrapy 框架（6）

scrapy 五大核心组件

引擎（Scrapy）

用来处理整个系统的数据流量，触发事务（框架核心）

调度器（Scheduler）

用来接受引擎发送的请求，压入队列中，并在引擎再次请求的时候返回，可以想象成一个 URL （抓取网页的网址或者说是链接）的有限队列，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。

下载器（Downloader）

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

爬虫（Spider）

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 引擎（Scrapy） 继续抓取下一个页面。

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。

中间件（Middlewares）的介绍

下载中间件（Downloader Middlewares）

位置：引擎和下载器之间

作用：批量拦截到整个工程中所有的请求和响应

拦截请求：
1. UA伪装
2. 代理IP

拦截响应：
1. 篡改响应数据，响应对象

需求

爬取网易新闻的新闻数据

思路分析

在开始写代码的时候，我们首先要到网易新闻网页中踩点，知己知彼，百战不殆。

网易首页稀疏平常，跟其他的网页差别不大，但我们点开随便一个模块，比如说 “国内”，在下拉网页的时候我们会发现这些网页都是动态加载的。

很显然，但目前为止，我们所学的 scrapy 框架解决不了这个问题。

对于动态加载的情况，我们首先想到的肯定是 selenium 爬取数据，那么在 scrapy 中我们要怎么和 selenium 结合呢？

没错，这就是中间件拦截响应的作用了。

至于中间件具体怎么使用，大家还是看代码吧。

代码实现

配置文件settings.py

管道和下载中间件的开启（注意是下载中间件：DOWNLOADER_MIDDLEWARES）

主文件代码编写

import scrapy
from selenium import webdriver
from newsPro.items import NewsproItem

class NewsSpider(scrapy.Spider):
    name = 'news'

    # allowed_domains = ['www.xxx.com']

    start_urls = ['https://news.163.com/']

    all_urls = [] # 起判断作用，其中要发送请求的网址包含动态加载的内容，需要下载中间件拦截，并使用 selenium 替换响应对象

    def __init__(self):
        self.bro = webdriver.Chrome('C:\\Users\\ASUS\\Desktop\\CSDN\\selenium 模块\\chromedriver.exe')

    def parse(self, response): # 获取国内、国际、军事新闻模块的网址
        guonei_url = response.xpath('//li[@class="menu_guonei"]/a/@href').extract_first()
        # print(guonei_url)
        self.all_urls.append(guonei_url)

        guoji_url = response.xpath('//li[@class="menu_guoji"]/a/@href').extract_first()
        # print(guoji_url)
        self.all_urls.append(guoji_url)

        war_url = response.xpath('//li[@class="menu_war"]/a/@href').extract_first()
        # print(war_url)
        self.all_urls.append(war_url)

        for url in self.all_urls:
            yield scrapy.Request(url = url, callback = self.parse_news_url)

    def parse_news_url(self, response): # 通过对国内、国际、军事新闻模块的网址发送请求（此时响应对象已经被下载中间件替换了）获取新闻的详情页的网址
        new_urls = response.xpath('//div[@class="ndi_main"]/div/a/@href').extract()
        for new_url in new_urls:
            # print(new_url)
            yield scrapy.Request(url = new_url, callback = self.parse_new)

    def parse_new(self, response): # 获取新闻标题和内容
        item = NewsproItem()
        title = response.xpath('//div[@class="post_main"]/h1/text()').extract_first()
        content = response.xpath('//div[@class="post_body"]//text()').extract()
        content = "".join(content)
        # print(title)
        # print(content)

        item["title"] = title
        item["content"] = content

        yield item

        pass

实例化对象 items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class NewsproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()
    pass

下载中间件 middlewares.py

下载中间件的类和函数方法很多，我们要注意选择是下载中间件和其中的 process_response 自定义函数

process_response 自定义函数的代码如下：

    def process_response(self, request, response, spider):
        bro = spider.bro
        # spider 表示对应的爬虫对象
        # 挑选出指定的响应对象进行篡改
        # 通过 url 构造 request
        if request.url in spider.all_urls:
            bro.get(request.url)
            page = bro.page_source
            sleep(2)
            # 针对定位到的 reponse 进行篡改
            # 实例化一个新的响应对象（符合需求：包含动态加载的新闻数据），代替旧的响应对象
            new_response = HtmlResponse(url = request.url, body = page, encoding = "utf-8", request = request)
            return new_response
        else:
            return response

管道 pipelines.py

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class NewsproPipeline:
    fp = None

    def open_spider(self, spider):
        self.fp = open('网易新闻.txt', "a", encoding = "utf-8")
        print("爬虫开始……")

    def process_item(self, item, spider):
        title = item["title"]
        content = item["content"]

        if title is not None:
            self.fp.write(title + "\n" + content + "\n\n")
            print(title, "爬取成功！")

        return item

    def close_spider(self, spider):
        self.fp.close()
        print("爬取结束！！！")