菜鸟python爬虫scrapy_Python爬虫（Scrapy）爬取秀人网

最近睡了午觉之后，感觉一点精神都没有，我觉得需要刺激一下。

爬取的网站长这个样子:

爬取的网站.png

运行

默认16个并发，我放公司不知道跑了多久，周末公司停电了，不知道这个网站有没有反爬虫，我现在还没遇到。

有代理，代理都是各大代理网站的免费代理：

没有代理：

noproxy.gif

有代理就像蜗牛一样，代理失败率还高的吓人，免费的代理就是不靠谱。

结果

大小.png

目录.png

结果.png

pycharm 如何使用anaconda里面的环境

File->Default settings->Default project->project interpreter

接着点击 project interpreter 的右边的小齿轮，选择 add local ，选择anaconda文件路径下的python.exe。接着pycharm会更新解释器，导入模块等，要稍等一点时间。

安装scrapypip install scrapy

windos安装这个会出错，因为有两个依赖模块twisted pywin32安装不上，所以只有进行本地安装。

到这个网站--https://www.lfd.uci.edu/~gohlke/pythonlibs/下载对应的版本安装，然后在使用上面的那个命令。Linux类的电脑，不会出现这个问题的。

本地安装命令,例如安装Twistedpin install Twisted‑17.9.0‑cp36‑cp36m‑win_amd64.whl

还有安装一个pillow,用来处理图片。pip install pillow

运行scrapy可能出现问题，应该是pywin32出错，出错的原因就是没有加入环境变量。可以把pywin32_system32里面的文件放到系统中的system32 或者虚拟环境中的scripts中。

新建项目

我们先来看下scrapy中的命令：Scrapy 1.4.0 - no active project

Usage:

scrapy  [options] [args]

Available commands:

bench         Run quick benchmark test

fetch         Fetch a URL using the Scrapy downloader

genspider     Generate new spider using pre-defined templates

runspider     Run a self-contained spider (without creating a project)

settings      Get settings values

shell         Interactive scraping console

startproject  Create new project

version       Print Scrapy version

view          Open URL in browser, as seen by Scrapy

[ more ]      More commands available when run from project directory

Use "scrapy  -h" to see more info about a command

用scrapy命令来创建项目：scrapy startproject gallery

用pycharm打开项目，开始coding，代码来袭##### 爬取规则(Spider)#gallery_spider.pyimport scrapyfrom scrapy import Requestfrom gallery.items import GalleryItemclass GallerySpider(scrapy.Spider):

# Spider 的唯一标识 ，必不可少

name = "gallery_spider"

# 爬取开始连接  是一个列表

start_urls = ['http://www.55156.com/weimeiyijing/fengjingtupian']    # 默认的解析方法

def parse(self, response):

# 取当前页所有的图片索引url

urls = response.xpath('//ul[@class="liL"]/li/a/@href').extract()

self.logger.info('当前父图片urls----->{}'.format(urls))        for url in urls:            # 丢给调度器 加入请求队列

yield Request(url=url, callback=self.img_parse)            # yield Request(url='http://www.55156.com/weimeiyijing/fengjingtupian/146515.html', callback=self.img_parse)

# 下一页的url

next_page = response.css('.pages ul li ::attr(href)')[-2].extract()        # 判断是否存在下一页 和 不最后一页

if next_page and not next_page == '#':

self.logger.info('存在列表下一页------>{}'.format(next_page))            yield Request(url=response.urljoin(next_page), callback=self.parse)

def img_parse(self, respose):

'''

详细图片页的解析

'''

# 定义提取数据结构

item = GalleryItem()        #取图片url

img_url = respose.css('.articleBody p a img ::attr(src)').extract_first()        # 取图片的标题

img_dir = respose.css('.articleTitle h1 ::text').extract_first()        # 赋值给item

item['image_url'] = img_url

item['image_dir'] = img_dir

# 取所有页数

next_page = respose.css('.pages ul li a ::attr(href)').extract()        # 判断页数不为空

if next_page:            #取下一页url

next_page = next_page[-1]        # 判断是否存在下一页 和 不最后一页  实际上这个地方不用判断是否存在 因为在之前已经做了一次判断

if next_page and not next_page == '#':

self.logger.info('开始爬取图片下一页-------->{}'.format(next_page))            # 丢给调度器 加入请求队列

yield Request(url=respose.urljoin(next_page), callback=self.img_parse)        yield item

items#items.pyimport scrapyclass GalleryItem(scrapy.Item):

'''

定义提取数据的结构

'''

image_url= scrapy.Field()

image_dir= scrapy.Field()

中间件#middlewares.pyfrom scrapy.downloadermiddlewares.useragent import UserAgentMiddlewareimport randomclass GallerySpiderMiddleware(UserAgentMiddleware):

'''

设置请求头 User-Agent

'''

user_agent_list = [        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",        "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",        "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",        "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",        "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",        "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",        "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",        "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",        "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",        "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",        "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",        "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",        "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"

]    def process_request(self, request, spider):

'''

请求之前的回调

'''

# 随机取一个user-agent

ua = random.choice(self.user_agent_list)

spider.logger.info("当前UA----->" + ua)        # 给请求头设置User-Agent

request.headers.setdefault('User-Agent', ua)

管道#pipelines.pyimport osimport scrapyfrom scrapy.exceptions import DropItemfrom scrapy.pipelines.images import ImagesPipelineclass GalleryPipeline(ImagesPipeline):

'''

用来图片的存储

'''

def get_media_requests(self, item, info):

'''

图片请求

'''

yield scrapy.Request(item['image_url'], meta={'item': item})    def item_completed(self, results, item, info):

'''

下载后的回调

'''

image_paths = [x['path'] for ok,x in results if ok]        # for ok, x in results:

#     if ok:

#         print(x['path'])

if not image_paths:

print('{}/{}------文件保存失败'.format(item['image_dir'], item['image_url']))            raise DropItem("Item contains no images")        else:

print('{}/{}------文件保存成功'.format(item['image_dir'], item['image_url']))        return item    def file_path(self, request, response=None, info=None):

'''

图片路径设置

'''

item = request.meta['item']

img_name = os.path.basename(item['image_url'])

index = item['image_dir'].find('(')        if index == -1:

index = item['image_dir'].find('(')        if not index == -1:

item['image_dir'] = item['image_dir'][:index]

filename = u'{}/{}'.format(item['image_dir'], img_name)        return filename

配置文件#settings.pyBOT_NAME = 'gallery'SPIDER_MODULES = ['gallery.spiders']

NEWSPIDER_MODULE = 'gallery.spiders'# Obey robots.txt rules 是否遵守robots规则ROBOTSTXT_OBEY = False# Configure maximum concurrent requests performed by Scrapy (default: 16)#CONCURRENT_REQUESTS = 32#DOWNLOAD_DELAY = 3# Disable cookies (enabled by default)  cookeie是否禁用#COOKIES_ENABLED = False# Disable Telnet Console (enabled by default)#TELNETCONSOLE_ENABLED = False# Override the default request headers: 默认请求头DEFAULT_REQUEST_HEADERS = {    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',    'Accept-Encoding:': 'gzip, deflate',    'Accept-Language': 'en_US,en;q=0.8',    'Connection': 'keep-alive',    'Content-Type': 'application/x-www-form-urlencoded'}# Enable or disable downloader middlewares  下载中间件# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.htmlDOWNLOADER_MIDDLEWARES = {   'gallery.middlewares.GallerySpiderMiddleware': 543,

}# 文件保存的地址IMAGES_STORE = 'F:\\gallery'# 管道ITEM_PIPELINES = {    'gallery.pipelines.GalleryPipeline': 300,

}

运行入口#run.pyfrom scrapy.cmdline import executeimport os, sysdef func():

sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

execute('scrapy crawl gallery_spider'.split(' '))if __name__ == '__main__':

func()

源代码

这个实际比较简单的，我就不贴代码了，我就写了高清套图那个模块。

github地址

似乎上班有点精神了。。。

作者：素笺淡墨染流年

链接：https://www.jianshu.com/p/eb2e5efb7a87