5.启动爬虫
这时候一个简单的Scrapy爬虫就准备就绪了,在控制台输入
scrapy crawl movieSpider -o items.json
scrapy crawl保持不动
movieSpider
就可以启动爬虫了。但你会发现程序没有正常获取到数据,查看控制台输出发现返回值为403,这是我们的爬虫被服务器识别了,进行了反爬,解决办法是在settings.py文件加上我们的请求头进行伪装。
这样启动我们每次都需要在控制台输入命令行,为了更加快捷的启动我们的项目,我们可以在项目文件根目录下新建一个main.py。
-- coding: utf-8 --
@Time : 2021/9/17 17:01
@Author : KK
@File : main.py
@Software: PyCharm
from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(file))) # 大括号内即把该文件路径变为绝对路径
execute([“scrapy”, ‘crawl’, ‘movieSpider’, “-o”, “items.json”])
至此我们的项目文件结构如下:
6.运行效果截图
红色的字体是正常的,项目运行信息就在这里面显示,不要认为红色就是报错了哈!!!!
相比于自己编写的爬虫代码,Scrapy结构更加清晰,爬取速度也更快,所以我们一般用于爬取数据量较大的大型网站。但需要注意的是这类网站的反爬机制一般很完善,这就需要我们进一步伪装自己的爬虫,下面我们一起学习一下如何自定义中间件。
1.设置随机请求头
很多网页通过请求头判断是不是爬虫在访问,为了避免被服务器检测,我们可以自定义一个随机请求头的中间件。方法如下:
- 在middlewares.py文件下加入如下代码:
from fake_useragent import UserAgent
自定义随机请求头的中间件
class RandomHeaderMiddleware(object):
def init(self, crawler):
self.ua = UserAgent() # 随机请求头对象
如果配置文件中不存在就使用默认的Google Chrome请求头
self.type = crawler.settings.get(“RANDOM_UA_TYPE”, “chrome”)
@classmethod
def from_crawler(cls, crawler):
返回cls()实例对象
return cls(crawler)
发送网络请求时调用该方法
def process_request(self, request, spider):
设置随机生成的请求头
request.headers.setdefault(‘User-Agent’, getattr(self.ua, self.type))片
- 在settings.py加入如下代码
DOWNLOADER_MIDDLEWARES = {
‘scrapyTest.middlewares.RandomHeaderMiddleware’: 400,
‘scrapyTest.middlewares.ScrapytestDownloaderMiddleware’: 543, # 默认中间件
}
RANDOM_UA_TYPE = “random” # 设置请求头为随机,还可以是ie等
- 使用随机请求头,编写一个测试爬虫
-- coding: utf-8 --
@Time : 2021/9/17 19:29
@Author : KK
@File : headerSpider.py
@Software: PyCharm
-- coding: utf-8 --
import scrapy
class HeaderspiderSpider(scrapy.Spider):
name = ‘headerSpider’
allowed_domains = [‘www.baidu.com’]
start_urls = [‘https://www.baidu.com/’]
def start_requests(self):
设置爬取目标的地址
urls = [
‘https://www.baidu.com/s?wd=%E7%99%BE%E5%BA%A6%E7%BF%BB%E8%AF%91&rsv_spt=1&rsv_iqid=0xa003c5490000a924&issp=1&f=3&rsv_bp=1&rsv_idx=2&ie=utf-8&tn=02003390_8_hao_pg&rsv_enter=1&rsv_dl=ts_0&rsv_sug3=6&rsv_sug1=4&rsv_sug7=100&rsv_sug2=1&rsv_btype=i&prefixsug=baidu&rsp=0&inputT=3099&rsv_sug4=4027’,
‘https://www.baidu.com/s?wd=%E7%99%BE%E5%BA%A6%E5%9C%B0%E5%9B%BE&rsv_spt=1&rsv_iqid=0xa003c5490000a924&issp=1&f=3&rsv_bp=1&rsv_idx=2&ie=utf-8&rqlang=cn&tn=02003390_8_hao_pg&rsv_enter=1&rsv_dl=ts_0&oq=%25E7%2599%25BE%25E5%25BA%25A6%25E7%25BF%25BB%25E8%25AF%2591&rsv_btype=t&inputT=1785&rsv_t=3f35TF2zzN98wRnfouxPtnf716zp3A%2BioNiu0jx9pBMEFCK0vPoF30WZV5cHOvfGVehfgGanCIE&rsv_sug3=9&rsv_sug1=7&rsv_sug7=100&rsv_pq=9a88ba610000b66d&rsv_sug2=1&prefixsug=%25E7%2599%25BE%25E5%25BA%25A6&rsp=0&rsv_sug4=3622’,
]
获取所有地址,有几个地址发送几次请求
for url in urls:
发送网络请求
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
打印每次网络请求的请求头信息
print(‘请求信息为:’, response.request.headers.get(‘User-Agent’))
pass
- 测试结果
这里你可能会报错,请参考我的bug记录!!
2.设置cookies
cookies代表用户信息,当我们需要爬取登陆后的网页信息时,可以将其存储起来,这样就可以在下次使用的时候直接获取而不需要再次登录。在Scrapy中使用方法如下:
- 在middlewares.py文件下加入如下代码:
自定义cookies中间件
class CookiesdemoMiddleware(object):
初始化
def init(self, cookies_str):
self.cookies_str = cookies_str
@classmethod
def from_crawler(cls, crawler):
return cls(
获取配置文件中的cookies信息
cookies_str=crawler.settings.get(‘COOKIES_DEMO’)
)
cookies = {} # 保存格式化以后的cookies
def process_request(self, request, spider):
for cookie in self.cookies_str.split(‘;’): # 通过;分割cookies字符串
key, value = cookie.split(‘=’, 1) # 将key与值进行分割
self.cookies.setitem(key, value) # 将分割后的数据保存至字典中
request.cookies = self.cookies # 设置格式化以后的cookies
- 在settings.py加入如下代码
DOWNLOADER_MIDDLEWARES = {
启动自定义cookies中间件
‘cookiesDemo.middlewares.CookiesdemoMiddleware’: 201,
启动自定义随机请求头中间件
‘cookiesDemo.middlewares.RandomHeaderMiddleware’:202,
禁用默认生成的配置信息
‘cookiesDemo.middlewares.CookiesdemoDownloaderMiddleware’: None,
}
RANDOM_UA_TYPE = “random” # 设置请求头为随机,还可以是ie等
定义从浏览器中获取的Cookies
COOKIES_DEMO = ‘浏览器获取的cookies’
- 使用同上!!省略
3.设置代理
最后
不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~
给大家准备的学习资料包括但不限于:
Python 环境、pycharm编辑器/永久激活/翻译插件
python 零基础视频教程
Python 界面开发实战教程
Python 爬虫实战教程
Python 数据分析实战教程
python 游戏开发实战教程
Python 电子书100本
Python 学习路线规划
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,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Python爬虫全套学习资料》送给大家,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,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
t_70)
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,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Python爬虫全套学习资料》送给大家,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,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
[外链图片转存中…(img-sHvt9uh8-1711016447671)]