目录
请求网址为:豆瓣-新书速递
在文章里展示全部的代码的话会非常影响文章的观看,有想要查看全部代码的朋友请到GitHub:GitHub - aqaswrae/Some-small-crawler-projects: python爬虫的一些小项目
这个就是
想要收藏一下的,请点击一下右上角的小星星哦
谢谢大家
一.创建项目
首先要创建scrapy项目和爬虫文件,若有疑问,请看scrapy框架的基本使用这一篇文章
链接:Python爬虫-Scrapy框架的基本使用_瓦瓦卡卡的博客-CSDN博客
二.代码呈现
1.更改配置文件-1
1.删除roboots协议
创建好scrapy项目的第一步,就是先把***协议干掉
找到settings.py文件,将20行的roboots协议注释掉或者直接将其删除
将其注释掉或者删除掉
# ROBOTSTXT_OBEY = True
2.伪造请求头
在settings.py文件中第40行设置
DEFAULT_REQUEST_HEADERS = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36',
'Referer':'https://www.baidu.com/link?url=Ix_GYKtVB-za1RMzZb2tYUctsXsgV4OqJx3dfOpbJ7h-d2jUp5QAVmulA9v14Pfr&wd=&eqid=ea2fe0010001250a000000036497bcb9',
}
如果只设置user-agent的话,可以只更改第17行的USER_AGENT
2.爬虫代码
这次爬取的是豆瓣的新书速递 https://book.douban.com/latest
首先在items.py文件中做好数据建模
class DoubanbookscrapyItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field() #书籍名称
content = scrapy.Field()#书籍简介
link = scrapy.Field() #详情链接
txt = scrapy.Field() #点击详情链接后页面中的内容简介
scrapy框架内置了xpath语法,所以我们使用xpath语法来获取所需的数据
def parse(self, response):
names = response.xpath('//ul[@class="chart-dashed-list"]/li/div[@class="media__body"]/h2/a/text()').extract()
contents = response.xpath('//ul[@class="chart-dashed-list"]/li/div[@class="media__body"]/p[1]/text()').extract()
links = response.xpath('//ul[@class="chart-dashed-list"]/li/div[@class="media__body"]/h2/a/@href').extract()
for name,content,link in zip(names,contents,links):
# 导入item.py中的类,然后实例化一个对象,将获取的数据传给item,键名必须和字段名统一
item = DoubanbookscrapyItem()
item['name'] = name
item['content'] = content.strip()
item['link'] = link
#将数据返回给引擎
#不请求详情页的内容简介时,使用 yield item
yield item
#需要将详情页的链接传给引擎请求详情页的数据时使用下面这个
# yield scrapy.Request(url=item['link'],callback=self.parse_detail,meta={'item':item})
#翻页
page_url = response.xpath('//span[@class="next"]/a/@href').extract_first()
#拼接完整的链接
next_url = response.urljoin(page_url)
# print('下一页的链接:',next_url)
#构造请求对象,返回给引擎
yield scrapy.Request(url=next_url,callback=self.parse)
解析详情页的内容简介的逻辑与上边的函数不同,需要我们自己写另一个解析的函数;
#接下来用得到的书籍的链接来获取书籍详情页的内容简介,因为是不同的处理逻辑,所以我们要定义一个新的函数来处理详情页的数据
def parse_detail(self,response):
#内容简介
t = response.xpath('//span[@class="all hidden"]//div[@class="intro"]//p/text()').extract()
# print(t)
item = response.meta['item']
item['txt'] = ''.join(t)
print(item)
yield item
如果我们要解析详情页的数据,我们就要将详情页的链接构造成请求对象返回给引擎,这时我们就要将parse函数中的yield item 改为
yield scrapy.Request(url=item['link'],callback=self.parse_detail,meta={'item':item})
meta参数是专门用来传递数据的,规定使用字典形式;实现数据在不同的解析函数中传递
callback:表示当前的url的响应交给哪个函数去处理
3.保存数据
1.保存为json数据
在pipelines.py文件中写保存数据的代码
保存数据要将settings.py文件的第66行的ITEM_PIPELINES解开
class DoubanbookscrapyPipeline:
def __init__(self):
self.file = open('doubannewbook.json','a',encoding='utf-8')
def process_item(self, item, spider):
dict_item = dict(item)
#保存为json数据
json_data = json.dumps(dict_item,ensure_ascii=False) + ',\n'
self.file.write(json_data)
return item
def __del__(self):#del是当整个函数运行完之后再调用
self.file.close()
2.保存到MySQL数据库中
要使用两种不同的方式保存数据时,我们需要再动手写一个保存到MySQL数据库中的类
自己写的其他的类需要到配置文件中设置好:在settings.py文件的第66行的ITEM_PIPELINES,将自己写的类添加到里面
ITEM_PIPELINES = {
"doubanbookscrapy.pipelines.DoubanbookscrapyPipeline": 300,
"doubanbookscrapy.pipelines.DoubanbookscrapyPipelineMysql": 301,
}
class DoubanbookscrapyPipelineMysql:#写好之后,要去settings.py文件对应的位置ITEM_PIPELINES设置好
#连接MySQL数据库
def __init__(self):
self.db = pymysql.connect(
host='localhost',
user='root',
password='123456',
db='scrapy-spider',
charset='utf8'
)
self.cur = self.db.cursor()
def process_item(self, item, spider):
dict_item = dict(item)
try:
sql = 'insert into doubanbook(name,content,link,txt) values(%s,%s,%s,%s)'
self.cur.execute(sql,[item['name'],item['content'],item['link'],item['txt'],])
self.db.commit()
print('保存成功')
except Exception as e:
print(e)
self.db.rollback()
return item
# close_spider:scrapy内置的方法,当所属类运行完成之后,这个方法就会运行,将cur和db关掉
def close_spider(self):
self.cur.close()
self.db.close()
4.更改配置文件-2
这一步是挂代理和设置随机的UA,需要在middlewares.py文件中操作
middlewares.py文件中自己带的所有代码都不要动它,我们自己另外写
在最底行写相应的中间件
process_request名字不可以更改 是scrapy规定的方法(协商机制)
每个交给下载器的request对象都会经过该方法 并期望返回一个reposne
#挂代理
class Randomproxy:
def process_request(self, request, spider):
#挂上单个ip
proxy = 'https://' + '42.177.139.217:4231'
#修改请求的元数据,用于给其他组件传递信息
request.meta['proxy'] = proxy
#光这样设置好了还不可以,需要去settings.py文件中的53行的DOWNLOADER_MIDDLEWARES修改一下
#"doubanbookscrapy.middlewares.Randomproxy": 542,
如果要添加多个ip,需要设置一个多个ip的列表,使用random.choice(列表名)方法从中选取一个ip。
# 如果想挂多个ip
# 随机IP
ip_list = ['101.200.185.203:16817',
'101.200.285.203:13817']
def process_request(self, request, spider):
# 挂随机IP
p = random.choice(self.ip_list)
# 修改请求的元数据字典 用于给框架中其他组件传递信息 比如添加代理
request.meta['proxy'] = 'https://'+p
写好这个中间件后我们需要到settings.py文件中配置它
DOWNLOADER_MIDDLEWARES = {
# "doubanbookscrapy.middlewares.DoubanbookscrapyDownloaderMiddleware": 543,
"doubanbookscrapy.middlewares.Randomproxy": 542,
}
设置随机UA也是同理,只不过要将之前设置好的请求头注释掉
注意使用的是headers
request.headers['User-Agent'] = random.choice(self.user_agent)
而不是
request.meta['User-Agent'] = ......
#设置随机ua
class Randomuseragent:
# 设置一个ua池
user_agent = [自己添加User-Agent]
def process_request(self, request, spider):
request.headers['User-Agent'] = random.choice(self.user_agent)#这个地方要注意是headers
#然后也需要到settings.py文件中的DOWNLOADER_MIDDLEWARES中设置"doubanbookscrapy.middlewares.Randomuseragent": 543,
#ip的权重应比ua重
#这样设置ua的话要在settings.py中的DEFAULT_REQUEST_HEADERS中,将ua给注释掉
更改配置文件
DOWNLOADER_MIDDLEWARES = {
# "doubanbookscrapy.middlewares.DoubanbookscrapyDownloaderMiddleware": 543,
"doubanbookscrapy.middlewares.Randomproxy": 542,
"doubanbookscrapy.middlewares.Randomuseragent": 544,
}