二十七、Splash 的使用
1. Splash介绍
Splash是一个JavaScript渲染服务,是一个带有HTTP API的轻量级浏览器,同时它对接了Python中的Twisted和QT库。利用它,我们同样可以实现动态渲染页面的抓取,(类似于前面学的 Selenium的功能)
2. 安装
2.1 安装docker
Daoker 的下载地址:http://get.daocloud.io/
2.2 拉取镜像
docker pull scrapinghub/splash
2.3 用docker运行scrapinghub/splash
docker run -p 8050:8050 scrapinghub/splash
2.4 查看效果
我们在8050端口上运行了Splash服务,打开 http://192.168.99.100:8050/即可看到其Web页面
3 Splash对象属性
上图中main()方法的第一个参数是splash,这个对象非常重要,它类似于Selenium中的WebDriver对象
3.1 images_enabled
设置图片是否加载,默认情况下是加载的。禁用该属性后,可以节省网络流量并提高网页加载速度
注意的是,禁用图片加载可能会影响JavaScript渲染。因为禁用图片之后,它的外层DOM节点的高度会受影响,进而影响DOM节点的位置
因此,如果JavaScript对图片节点有操作的话,其执行就会受到影响
function main(splash, args)
splash.images_enabled = false
splash:go('https://www.baidu.com')
return {html=splash:html()}
end
3.2 plugins_enabled
可以控制浏览器插件(如Flash插件)是否开启
默认情况下,此属性是false,表示不开启
splash.plugins_enabled = true/false
3.3 scroll_position
控制页面上下或左右滚动
splash.scroll_position = {x=100, y=200}
4. Splash对象的方法
4.1 go()
该方法用来请求某个链接,而且它可以模拟GET和POST请求,同时支持传入请求头、表单等数据
ok, reason = splash:go{url, baseurl=nil, headers=nil, http_method="GET", body=nil, formdata=nil}
返回结果是结果ok和原因reason
如果ok为空,代表网页加载出现了错误,此时reason变量中包含了错误的原因
参数含义url请求的URLbaseurl可选参数,默认为空,表示资源加载相对路径headers可选参数,默认为空,表示请求头http_method可选参数,默认为GET,同时支持POSTbody可选参数,默认为空,发POST请求时的表单数据,使用的Content-type为application/jsonformdata可选参数,默认为空,POST的时候的表单数据,使用的Content-type为application/x-www-form-urlencoded
splash:go{"http://www.sxt.cn", http_method="POST", body="name=17703181473"}
4.2 wait()
控制页面的等待时间
splash:wait{time, cancel_on_redirect=false, cancel_on_error=true}
参数含义time等待的秒数cancel_on_redirect可选参数,默认为false,表示如果发生了重定向就停止等待,并返回重定向结果cancel_on_error可选参数,默认为false,表示如果发生了加载错误,就停止等待
function main(splash)
splash:go("https://www.taobao.com")
splash:wait(2)
return {html=splash:html()}
end
4.3 jsfunc()
直接调用JavaScript定义的方法,但是所调用的方法需要用双中括号包围,这相当于实现了JavaScript方法到Lua脚本的转换
function main(splash, args)
splash:go("http://www.sxt.cn")
local scroll_to = splash:jsfunc("window.scrollTo")
scroll_to(0, 300)
return {png=splash:png()}
end
4.4 evaljs()与 runjs()
- evaljs() 以执行JavaScript代码并返回最后一条JavaScript语句的返回结果
- runjs() 以执行JavaScript代码,它与evaljs()的功能类似,但是更偏向于执行某些动作或声明某些方法
function main(splash, args)
splash:go("https://www.baidu.com")
splash:runjs("foo = function() { return 'sxt' }")
local result = splash:evaljs("foo()")
return result
end
4.5 html()
获取网页的源代码
function main(splash, args)
splash:go("https://www.bjsxt.com")
return splash:html()
end
4.6 png()
获取PNG格式的网页截图
function main(splash, args)
splash:go("https://www.bjsxt.com")
return splash:png()
end
4.7 har()
获取页面加载过程描述
function main(splash, args)
splash:go("https://www.bjsxt.com")
return splash:har()
end
4.8 url()
获取当前正在访问的URL
function main(splash, args)
splash:go("https://www.bjsxt.com")
return splash:url()
end
4.9 get_cookies()
获取当前页面的Cookies
function main(splash, args)
splash:go("https://www.bjsxt.com")
return splash:get_cookies()
end
4.10 add_cookie()
当前页面添加Cookie
cookies = splash:add_cookie{name, value, path=nil, domain=nil, expires=nil, httpOnly=nil, secure=nil}
function main(splash)
splash:add_cookie{"sessionid", "123456abcdef", "/", domain="http://bjsxt.com"}
splash:go("http://bjsxt.com/")
return splash:html()
end
4.11 clear_cookies()
可以清除所有的Cookies
function main(splash)
splash:go("https://www.bjsxt.com/")
splash:clear_cookies()
return splash:get_cookies()
end
4.12 set_user_agent()
设置浏览器的User-Agent
function main(splash)
splash:set_user_agent('Splash')
splash:go("http://httpbin.org/get")
return splash:html()
end
4.13 set_custom_headers()
设置请求头
function main(splash)
splash:set_custom_headers({
["User-Agent"] = "Splash",
["Site"] = "Splash",
})
splash:go("http://httpbin.org/get")
return splash:html()
end
4.14 select()
选中符合条件的第一个节点
如果有多个节点符合条件,则只会返回一个
其参数是CSS选择器
function main(splash)
splash:go("https://www.baidu.com/")
input = splash:select("#kw")
splash:wait(3)
return splash:png()
end
4.15 send_text()
填写文本
function main(splash)
splash:go("https://www.baidu.com/")
input = splash:select("#kw")
input:send_text('Splash')
splash:wait(3)
return splash:png()
end
4.16 mouse_click()
模拟鼠标点击操作
function main(splash)
splash:go("https://www.baidu.com/")
input = splash:select("#kw")
input:send_text('Splash')
submit = splash:select('#su')
submit:mouse_click()
splash:wait(3)
return splash:png()
end
4.17 代理Ip
function main(splash)
splash:on_request(function(request)
request:set_proxy{
'host':'61.138.33.20',
'port':808,
'username':'uanme',
'password':'passwrod'
}
end)
-- 设置请求头
splash:set_user_agent("Mozilla/5.0")
splash:go("https://httpbin.org/get")
return splash:html()
end
5 Splash与Python结合
5.1 render.html
此接口用于获取JavaScript渲染的页面的HTML代码,接口地址就是Splash的运行地址加此接口名称,例如
http://192.168.99.100:8050/render.html
import requests
url = 'http://192.168.99.100:8050/render.html?url=https://www.bjsxt.com&wait=3'
response = requests.get(url)
print(response.text)
5.2 render.png
此接口可以获取网页截图
import requests
url = 'http://192.168.99.100:8050/render.png?url=https://www.jd.com&wait=5&width=1000&height=700'
response = requests.get(url)
with open('taobao.png', 'wb') as f:
f.write(response.content)
5.3 execute
最为强大的接口。前面说了很多Splash Lua脚本的操作,用此接口便可实现与Lua脚本的对接
import requests
from urllib.parse import quote
lua = '''
function main(splash)
return 'hello'
end
'''
url = 'http://192.168.99.100:8050/execute?lua_source=' + quote(lua)
response = requests.get(url)
print(response.text)
二十八、Scrapy 框架-爬取JS生成的动态页面
问题
有的页面的很多部分都是用JS生成的,而对于用scrapy爬虫来说就是一个很大的问题,因为scrapy没有JS engine,所以爬取的都是静态页面,对于JS生成的动态页面都无法获得
官网 http:// splash.readthedocs.io/e n/stable/
解决方案
- 利用第三方中间件来提供JS渲染服务: scrapy-splash 等
- 利用webkit或者基于webkit库
Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器,Splash是用Python实现的,同时使用Twisted和QT。Twisted(QT)用来让服务具有异步处理能力,以发挥webkit的并发能力
安装
- pip安装scrapy-splash库
pip install scrapy-splash
- scrapy-splash使用的是Splash HTTP API, 所以需要一个splash instance,一般采用docker运行splash,所以需要安装docker
- 安装docker, 安装好后运行docker
- 拉取镜像
docker pull scrapinghub/splash
- 用docker运行scrapinghub/splash
docker run -p 8050:8050 scrapinghub/splash
- 配置splash服务(以下操作全部在settings.py):
- 使用splash解析,要在配置文件中设置splash服务器地址:
SPLASH_URL = 'http://192.168.99.100:8050/'
-
- 将splash middleware添加到DOWNLOADER_MIDDLEWARE中
DOWNLOADER_MIDDLEWARES = { 'scrapy_splash.SplashCookiesMiddleware': 723, 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, }
-
- Enable SplashDeduplicateArgsMiddleware
SPIDER_MIDDLEWARES = { 'scrapy_splash.SplashDeduplicateArgsMiddleware': 100 }
这个中间件需要支持cache_args功能; 它允许通过不在磁盘请求队列中多次存储重复的Splash参数来节省磁盘空间。如果使用Splash 2.1+,则中间件也可以通过不将这些重复的参数多次发送到Splash服务器来节省网络流量
-
- 配置消息队列所使用的过滤类
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
-
- 配置消息队列需要使用的类
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
样例
import scrapy
from scrapy_splash import SplashRequest
class DoubanSpider(scrapy.Spider):
name = 'douban'
allowed_domains = ['douban.com']
def start_requests(self):
yield SplashRequest('https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90', args={'wait': 0.5})
def parse(self, response):
print(response.text)
二十九、Docker Toolbox 安装
暂无笔记
三十、 Scrapy 框架-分布式
1. 介绍scrapy-redis框架
scrapy-redis
一个三方的基于redis的分布式爬虫框架,配合scrapy使用,让爬虫具有了分布式爬取的功能。
github地址: https://github.com/darkrho/scrapy-redis
2. 分布式原理
scrapy-redis实现分布式,其实从原理上来说很简单,这里为描述方便,我们把自己的核心服务器称为master,而把用于跑爬虫程序的机器称为slave
我们知道,采用scrapy框架抓取网页,我们需要首先给定它一些start_urls,爬虫首先访问start_urls里面的url,再根据我们的具体逻辑,对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式,我们只需要在这个starts_urls里面做文章就行了
我们在master上搭建一个redis数据库`(注意这个数据库只用作url的存储),并对每一个需要爬取的网站类型,都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是,尽管有多个slave,然而大家获取url的地方只有一个,那就是服务器master上的redis数据库
并且,由于scrapy-redis自身的队列机制,slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后,再把获取的结果汇总到服务器上
好处
程序移植性强,只要处理好路径问题,把slave上的程序移植到另一台机器上运行,基本上就是复制粘贴的事情
3.分布式爬虫的实现
- 使用三台机器,一台是win10,两台是centos6,分别在两台机器上部署scrapy来进行分布式抓取一个网站
- win10的ip地址为192.168.31.245,用来作为redis的master端,centos的机器作为slave
- master的爬虫运行时会把提取到的url封装成request放到redis中的数据库:“dmoz:requests”,并且从该数据库中提取request后下载网页,再把网页的内容存放到redis的另一个数据库中“dmoz:items”
- slave从master的redis中取出待抓取的request,下载完网页之后就把网页的内容发送回master的redis
- 重复上面的3和4,直到master的redis中的“dmoz:requests”数据库为空,再把master的redis中的“dmoz:items”数据库写入到mongodb中
- master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹(使用哈希函数将url运算后的结果),是防止重复抓取的
4. scrapy-redis框架的安装
pip install scrapy-redis
5. 部署scrapy-redis
5.1 slave端
在windows上的settings.py文件的最后增加如下一行
REDIS_HOST = 'localhost' #master IP
REDIS_PORT = 6379
配置好了远程的redis地址后启动两个爬虫(启动爬虫没有顺序限制)
6 给爬虫增加配置信息
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
ITEM_PIPELINES = {
'example.pipelines.ExamplePipeline': 300,
'scrapy_redis.pipelines.RedisPipeline': 400,
}
7 运行程序
7.1 运行slave
scrapy runspider 文件名.py
开起没有先后顺序
7.2 运行master
lpush (redis_key) url #括号不用写
说明
- 这个命令是在redis-cli中运行
- redis_key 是 spider.py文件中的redis_key的值
- url 开始爬取地址,不加双引号
8 数据导入到mongodb中
等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下
import redis
import pymongo
def main():
r = redis.Redis(host='192.168.31.245',port=6379,db=0)
client = pymongo.MongoClient(host='localhost', port=27017)
db = client.dmoz
sheet = db.sheet
while True:
source, data = r.blpop(["dmoz:items"])
item = json.loads(data)
sheet.insert(item)
if __name__ == '__main__':
main()
9 数据导入到MySQL中
等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下
import redis
import pymysql
import json
def process_item():
r_client = redis.Redis(host="127.0.0.1",port=6379,db =0)
m_client = pymysql.connect(host="127.0.0.1",port=3306,user="root",passowrd="123456",db="lianjia")
source,data =r_client.blpop("lianjia:item")
item = json.loads(data)
cursor = m_client.cursor()
values = []
cursor.execute(sql,values)
三十一、Scrapy-Redis 其他
setting文件配置
#启用Redis调度存储请求队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#确保所有的爬虫通过Redis去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#默认请求序列化使用的是pickle 但是我们可以更改为其他类似的。PS:这玩意儿2.X的可以用。3.X的不能用
#SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"
#不清除Redis队列、这样可以暂停/恢复 爬取
#SCHEDULER_PERSIST = True
#使用优先级调度请求队列 (默认使用)
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
#可选用的其它队列
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'
#最大空闲时间防止分布式爬虫因为等待而关闭
#这只有当上面设置的队列类是SpiderQueue或SpiderStack时才有效
#并且当您的蜘蛛首次启动时,也可能会阻止同一时间启动(由于队列为空)
#SCHEDULER_IDLE_BEFORE_CLOSE = 10
#将清除的项目在redis进行处理
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 300
}
#序列化项目管道作为redis Key存储
#REDIS_ITEMS_KEY = '%(spider)s:items'
#默认使用ScrapyJSONEncoder进行项目序列化
#You can use any importable path to a callable object.
#REDIS_ITEMS_SERIALIZER = 'json.dumps'
#指定连接到redis时使用的端口和地址(可选)
#REDIS_HOST = 'localhost'
#REDIS_PORT = 6379
#指定用于连接redis的URL(可选)
#如果设置此项,则此项优先级高于设置的REDIS_HOST 和 REDIS_PORT
#REDIS_URL = 'redis://user:pass@hostname:9001'
#自定义的redis参数(连接超时之类的)
#REDIS_PARAMS = {}
#自定义redis客户端类
#REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient'
#如果为True,则使用redis的'spop'进行操作。
#如果需要避免起始网址列表出现重复,这个选项非常有用。开启此选项urls必须通过sadd添加,否则会出现类型错误。
#REDIS_START_URLS_AS_SET = False
#RedisSpider和RedisCrawlSpider默认 start_usls 键
#REDIS_START_URLS_KEY = '%(name)s:start_urls'
#设置redis使用utf-8之外的编码
#REDIS_ENCODING = 'latin1'
三十二、Scrapyd的安装及使用
Scrapyd的安装及使用
1. 安装scrapyd
pip install scrapyd
2. 安装setuptools
为什么要安装这个工具?
因为部署的应用需要打包成*.egg才能运行
官网地址:https://pypi.python.org/pypi/setuptools下载
pip install setuptools-38.5.2-py2.py3-none-any
3. 部署工程
3.1 创建项目
工程下会有一个叫scrapy.cfg的文件,文件的内容如下:
[settings]
default = my_spider.settings
[deploy:demo] # demo是指这个deploy的名称,自己命名,可以多个。(后面有用到)
#url = http://localhost:6800/
project = my_spider # 工程的名称
3.2 启动scrapyd
在本工程下命令行下启动scrapyd
注意: 如果不先启动scrapyd就会无法部署工程
3.3 部署项目
通过scrapyd-deploy部署,要求装一个scrapyd-client
pip install scrapyd-client
3.4 配置scrapyd-deploy
在 %python_home%\Scripts下增加一个scrapyd-deploy.bat文件,内容如下:
@echo off
"%python_home%\python.exe" "%python_home%\Scripts\scrapyd-deploy" %1 %2 %3 %4 %5 %6 %7 %8 %9
3.5 使用scrapyd-deploy
scrapy-deploy demo #demo就是scrapy.cfg中的名字
4 运行Spider
curl http://localhost:6800/schedule.json -d project=项目名 -d spider=爬虫名
5 查看效果
在浏览器输入localhost:6800