Python之scrapy使用教程

版权声明:从你决定走的那天开始,我就已经在来的路上了 https://blog.csdn.net/weixin_39378885/article/details/78431566

scrapy抓取西刺代理并用Excel保存

(一)解析网站结构
①,首先浏览器访问西刺代理首页:西刺免费代理IP

②,对查看网页源代码,对网页结构有初步的了解

③,因为我们使用的是 scrapy 来抓取内容。所以,我们可以先使用 scrapy shell 来模拟下scrapy的访问。cmd 中输入 >>> scrapy shell "http://www.xicidaili.com/"
我们发现运行之后返回的states状态码是 503,出现了服务器内部问题。其实不然,是因为服务器将我们识别后拒绝了。解决方法:添加 USER_AGENT 信息。
>>> scrapy shell -s USER_AGENT="浏览器的User-Agent信息" "http://www.xicidaili.com/"

⑤,完成 ③ 步骤之后,便可以对该网站进行相关的调试了

(二)代码编写
首先根据网站结构确定我们的需求:
“IP地址”, “端口”, “服务器地址”, “匿名”, “类型”, “速度”, “连接时间”, “存活时间”, “验证时间”
然后正真进入代码编写:

①,编写 items

class IpItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    ip_address = scrapy.Field()
    port = scrapy.Field()
    server_address = scrapy.Field()
    hiding = scrapy.Field()
    kind = scrapy.Field()
    speed = scrapy.Field()
    connect_time = scrapy.Field()
    alive_time = scrapy.Field()
②,编写爬虫spider
这里对spider中间一些信息的处理可能比较难理解,如果没有了解到 openpyxl 表格操作的话,不过我这里做了大量的注释,相信还可以让大家了解到一些关于 openpyxl 的一些简单操作。
需要注意的是,因为每次返回的是网页的一行tr内容,所以在处理时 记得进行内容的拷贝。不然每次都会别后面一次内容覆盖掉。
# -*- coding: utf-8 -*-
import scrapy
from IP.items import IpItem


class ProxySpider(scrapy.Spider):
    name = 'Proxy'
    allowed_domains = ['xici.com']
    start_urls = ['http://xici.com/']

    def start_requests(self):
        for page in range(1,11):
            yield scrapy.Request("http://www.xicidaili.com/nn/%d"%page)
        # 每次生成一个Request, 返回一页的内容

    # 函数返回:一页的内容。但是每次pipeline处理其中的一行
    def parse(self, response):
        item = IpItem()
        items = {}
        table_ip_list = response.xpath('//table[@id="ip_list"]')[0]     # 获取第一个table的 selector 选择器
        trs = table_ip_list.xpath('//tr')       #获取每一行          选择器对象可以使用 xpath 操作 再得到选择器对象
        # 第一行信息标题信息不用采集
        for tr in trs[2:]:
            row = trs.index(tr)     # 增加索引,方便表格操作

            item["ip_address"] = tr.xpath('td[2]/text()').extract()[0]
            item['port'] = int(tr.xpath('td[3]/text()').extract()[0])   # port 设为数字
            if len(tr.xpath('td[4]/a/text()').extract()) is 0:
                item['server_address'] = '未知'       # 如果该栏为空,则填未知
            else:
                item['server_address'] = tr.xpath('td[4]/a/text()').extract()[0]
            item['hiding'] = tr.xpath('td[5]/text()').extract()[0]
            item['kind'] = tr.xpath('td[6]/text()').extract()[0]
            item['speed'] = tr.xpath('td[7]/div/@title').extract()[0]
            item['connect_time'] = tr.xpath('td[8]/div/@title').extract()[0]
            item['alive_time'] = tr.xpath('td[9]/text()').extract()[0]
            item['check_time'] = tr.xpath('td[10]/text()').extract()[0]

            item_copy = item.copy()            # 这里一定要对item进行拷贝,光是赋值的话会被覆盖
            items[row] = item_copy       # 通过建立字典方便在pipeline中来确定行数   
                                         # 如:{row:{"key":"value"}}形式  row为在表格中需要保存的行数
                                        #  每次以一行数据为单位被处理
        return items
②,编写pipeline处理item并保存到.xlsx文件
在编写这个pipeline时,我反复的调试,发现一些传进来的信息格式是这样的。比如我们在spider每次处理item 的格式为:{row:{“key”:”value”}} 形式,然后把他一次更新到自己定义的items 中,最后执行return语句。安装常理来说,传递给pipeline也应该是包含跟多个item 字典类型的字典,那么我们在pipeline处理的时候也应该通过迭代获取每一个单独的item
然而,事实并非如此。而是每次传进pipeline的都是单独的一个item 所以我们在pipeline中处理item参数是不能使用迭代。而是直接对 item 参数进行相关操作。
我想着应该是 scrapy 本身机制问题。你每往Item这个类进行一次数据传递的时候,都会被记忆,然后再传递给pipeline是会自动帮你迭代处理好数据。
这只是我的个人理解。毕竟官方文档中,只是说spider会把返回的item传递给pipelineRequest 传递给调度器。
# -*- coding: utf-8 -*-

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

from openpyxl import Workbook, load_workbook
from openpyxl.styles import colors, Alignment, Font
import os.path


# 每获得一页内容,建立一张新的sheet表格
# 第一次创建时,选择第一个 sheet
class IpPipeline(object):
    def process_item(self, item, spider):
        # 实例化一个workbook对象
        if os.path.exists("Proxy.xlsx"):
            wb = load_workbook("Proxy.xlsx")
            ws1 = wb.create_sheet()  # 建立一张表
        else:
            wb = Workbook()
            ws1 = wb.active

        # 每次保存一行数据
        for row in item:
            # 保存第一列的 IP
            ws1.cell(row=row, column=1, value=item[row]["ip_address"])
            # 保存第二列的端口 port
            ws1.cell(row=row, column=2, value = item[row]["port"])
            # 保存第三列的服务器地址 server_address
            ws1.cell(row=row, column=3, value = item[row]["server_address"])
            # 保存第四列的匿名情况 hiding
            ws1.cell(row=row, column=4, value = item[row]["hiding"])
            # 保存第五列的协议类型 kind
            ws1.cell(row=row, column=5, value = item[row]["kind"])
            # 保存第六列的网络速度 speed
            ws1.cell(row=row, column=6, value = item[row]["speed"])
            # 保存第七列的连接速度 connect_time
            ws1.cell(row=row, column=7, value = item[row]["connect_time"])
            # 保存第八列的存活时间 alive_time
            ws1.cell(row=row, column=8, value = item[row]["alive_time"])
            # 保存第九列的验证时间 check_time
            ws1.cell(row=row, column=9, value = item[row]["check_time"])

        # 对工作簿样式进行处理
        self.process_excel(work_book=wb, work_sheet=ws1)
        # 保存工作簿
        wb.save('Proxy.xlsx')
        return item


    # 更改表格样式
    # 传入参数 工作簿对象wb, 表格对象ws1
    def process_excel(self, work_book, work_sheet):
        # 添加第一行
        first_row = ("IP地址", "端口", "服务器地址", "匿名", "类型", "速度", "连接时间", "存活时间", "验证时间")
        for col in range(1, len(first_row)+1):
            work_sheet.cell(row=1, column=col, value=first_row[col - 1])
        work_sheet.title = "代理页"
        row_length = work_sheet.max_row  # 获得包含数据的总行数int sheet.rows 返回所有行(含数据)可用来迭代
        col_length = work_sheet.max_column  # 获取总列数

        work_sheet.sheet_properties.tabColor = "1072BA"   # sheet背景颜色
        # 设置列宽
        work_sheet.column_dimensions['A'].width = 22
        work_sheet.column_dimensions['C'].width = 20
        work_sheet.column_dimensions['F'].width = 16
        work_sheet.column_dimensions['G'].width = 16
        work_sheet.column_dimensions['H'].width = 16
        work_sheet.column_dimensions['I'].width = 20
        # 设置行高
        for row in range(0, row_length):
            work_sheet.row_dimensions[row+2].height = 20

        # 设置第一行的单元格样式  居中,字体,颜色
        # 按列迭代
        for col in work_sheet.iter_cols(min_row=1, max_row=1, min_col=1,max_col=col_length):
            for cell in col:
                cell.alignment = Alignment(horizontal="center", vertical="center",)
                cell.font = Font(size=16, color="CD2626", bold=True, italic=False)      # 加粗 倾斜

        # 设置其他子元素格式
        # 按行迭代
        for row in work_sheet.iter_rows(min_col=1, min_row=2, max_col=col_length, max_row=row_length):
            # row 为一行的tuple对象
            for cell in row:
                cell.alignment = Alignment(horizontal="center", vertical="center")
                cell.font = Font(size=12, color="CD6090", bold=True, italic=False)

        work_book.save('Proxy.xlsx')



if __name__=="__main__":    # 用来此时本文件,避免每次都要运行整个儿scrapy
    a = IpPipeline()
    a.process_item(item={},spider=None) # 主要用来测试相关表格操作是否合适
③,中间件MIDDLEWARES

middlerwares 的编写其实也简单。分为两类,downloadermiddleware & spidermiddleware 。而我们常用的主要是是前者。下载器中间件。我们可以通过它来设置代理IP池和User-Agent池来防止爬虫被网站BAN
每个中间件都需要继承相应的类,这些类都包含以下一个或多个方法:
①:process_request(request, spider) 方法
②:process_response(request, response, spider) 方法
③:process_exception(request, exception, spider) 方法
分别用来处理请求的request,返回的response,以及跳出的异常。

具体步骤:
①,在自己工程的根目录新建一个 mymiddlewares.py 文件,我们在这里面编写middleware内容。
②,编写代理IP中间件:

# coding : utf-8

from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware
import random

pool = [
    {"ip":"121.31.156.251:8123"},
    {"ip":"106.57.6.218:4326"},
    {"ip":"61.135.217.7:80"},
]

# 用户代理池的中间件
class IPPOOLS(HttpProxyMiddleware):

    def process_request(self, request, spider):
        ip = random.choice(pool)
        #print("当前使用的IP是:%s" % ('http://'+ip["ip"]))
        # 将IP添加到request
        request.meta["proxy"] = 'http://'+ip["ip"]
        return None

: ②,编写User-Agent中间件:

from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
from user_agent.base import generate_user_agent
# 用户header池的中间件
class AGENTPOOLS(UserAgentMiddleware):
    '''
    def __init__(self, user_agent=''):
        self.user_agent = user_agent
    '''
    def process_request(self, request, spider):
        user_agent = generate_user_agent()
        print("这一次使用的是 %s" % user_agent)
        request.headers.setdefault(b'User-Agent', user_agent)

他们都继承了自己的类,然后我们通过重写里面的方法就能实现制定功能。

(三)激活设置
写了这么多,接下来当然是激活我们改写的东西。进入settings.py,添加自己相应的pipeline,middleware,.etc。然后就可以了。
关于这一块我觉得挺简单的。只需要把相应的注释符 # 去掉就可以了。
(四)运行效果图
爬取的前几页代理IP

有朋友可能说为什么不采用直接保存到.csv 文件,这里纯属个人爱好。方便处理一点这个。

好了,就到这了希望可以帮到需要的朋友。^_^

展开阅读全文

没有更多推荐了,返回首页