scrapy暂停与重启/数据收集/去重原理/爬虫中间件等

selinium 控制鼠标滑动

selinium可以执行JavaScript代码

from selenium import webdriver

bro= webdriver.Chrome(executable_path='chromedriver.exe')
bro.get('https://blog.csdn.net/nav/python')
js="window.scrollTo(0, document.body.scrollHeight); var lenOfPage=document.body.scrollHeight; return lenOfPage;"
bro.execute_script(js)

scrapy爬虫的暂停与重启

打开命令行,进入当前项目的目录

启动项目:crawl spider 爬虫名 -s JOBDIR=自己新建的目录/001(或002...)

-s是safe的意思

将JOBDIR=自己新建的目录/001(或002...)这个也可以设置在每个爬虫单独的setting中

因为要暂停和重启,就需要提供一个目录,将spider中间状态的信息放在这个目录下,这样就能实现; 不同的spider使用不同的子目录

另外,需要在命令行中启动,而不能从pycharm中启动,因为命令行可以接收Ctrl+c中断信号

按一次Ctrl+c,程序会暂停,并处理一些善后工作,比如已经发出去的request要等它返回.(注意:ctrl+c连按两次会强制关掉进程,不会保存中间信息)

暂停后会生成以下中间信息

命令行中输入一模一样的启动命令crawl spider 爬虫名 -s JOBDIR=自己新建的目录/001(或002...),就会接着中间状态继续爬取

scrapy去重的原理

scrapy telnet服务

此时就可以通过cmd终端输入telnet ip地址 端口连接,然后可以输入est()获取spider的状态,同时,这里可以输入变量来获取值

telnet相关的源码:

spider中间件

scrapy项目创建之初,自动生成的middlewares.py文件中,可以写自己的spider中间件.

def process_spider_input(self, response, spider):下载完的response,经由scheduler给spider时,会执行

def process_spider_output(self, response, result, spider):spider yield出request给scheduler时,会执行

这里介绍几个scrapy原码中的spider中间件

scrapy数据收集

stats.set_value('数据名称', 数据值)    #设置数据
stats.inc_value('数据名称')           #增加数据值，自增1
stats.max_value('数据名称', value)    #当新的值比原来的值大时设置数据
stats.min_value('数据名称', value)    #当新的值比原来的值小时设置数据
stats.get_value('数据名称')           #获取数据值
stats.get_stats()                   #获取所有数据

应用举例:统计站点404的个数

class PachSpider(scrapy.Spider):                            #定义爬虫类，必须继承scrapy.Spider
    name = 'pach'                                           #设置爬虫名称
    allowed_domains = ['www.dict.cn']                       #爬取域名

    def start_requests(self):    #起始url函数，会替换start_urls
        return [Request(
            url='http://www.dict.cn/9999998888',
            callback=self.parse
        )]

    # 利用数据收集器，收集所有404的url以及，404页面数量
    handle_httpstatus_list = [404]                                  # 设置不过滤404,见上一小节爬虫中间件的分析

    def __init__(self):
        self.fail_urls = []                                         # 创建一个变量来储存404URL

    def parse(self, response):                                      # 回调函数
        if response.status == 404:                                  # 判断返回状态码如果是404
            self.fail_urls.append(response.url)                     # 将URL追加到列表
            self.crawler.stats.inc_value('failed_url')              # 设置一个数据收集，值为自增，每执行一次自增1
            print(self.fail_urls)                                   # 打印404URL列表
            print(self.crawler.stats.get_value('failed_url'))       # 打印数据收集值
        else:
            title = response.css('title::text').extract()
            print(title)

相应的视频教程在这里 https://mp.weixin.qq.com/s/DG-T965Y9yKLwNYPus2cXA

本文由 mdnice 多平台发布