网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
Requests
Python标准库中提供了:urllib、urllib2、httplib等模块以供Http请求,但是,它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作,甚至包括各种方法覆盖,来完成最简单的任务。
importurllib2importjsonimportcookielibdef urllib2_request(url, method="GET", cookie="", headers={}, data=None):""":param url: 要请求的url
:param cookie: 请求方式,GET、POST、DELETE、PUT..
:param cookie: 要传入的cookie,cookie= 'k1=v1;k1=v2'
:param headers: 发送数据时携带的请求头,headers = {'ContentType':'application/json; charset=UTF-8'}
:param data: 要发送的数据GET方式需要传入参数,data={'d1': 'v1'}
:return: 返回元祖,响应的字符串内容 和 cookiejar对象
对于cookiejar对象,可以使用for循环访问:
for item in cookiejar:
print item.name,item.value"""
ifdata:
data=json.dumps(data)
cookie_jar=cookielib.CookieJar()
handler=urllib2.HTTPCookieProcessor(cookie_jar)
opener=urllib2.build_opener(handler)
opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])
request= urllib2.Request(url=url, data=data, headers=headers)
request.get_method= lambda: method
response=opener.open(request)
origin=response.read()returnorigin, cookie_jar#GET
result = urllib2_request('http://127.0.0.1:8001/index/', method="GET")#POST
result = urllib2_request('http://127.0.0.1:8001/index/', method="POST", data= {'k1': 'v1'})#PUT
result = urllib2_request('http://127.0.0.1:8001/index/', method="PUT", data= {'k1': 'v1'})
封装urllib请求
Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库,其在Python内置模块的基础上进行了高度的封装,从而使得Pythoner进行网络请求时,变得美好了许多,使用Requests可以轻而易举的完成浏览器可有的任何操作。
1、GET请求
#1、无参数实例
importrequests
ret= requests.get('https://github.com/timeline.json')printret.urlprintret.text#2、有参数实例
importrequests
payload= {'key1': 'value1', 'key2': 'value2'}
ret= requests.get("http://httpbin.org/get", params=payload)printret.urlprint ret.text
向 https://github.com/timeline.json 发送一个GET请求,将请求和响应相关均封装在 ret 对象中。
2、POST请求
#1、基本POST实例
importrequests
payload= {'key1': 'value1', 'key2': 'value2'}
ret= requests.post("http://httpbin.org/post", data=payload)printret.text#2、发送请求头和数据实例
importrequestsimportjson
url= 'https://api.github.com/some/endpoint'payload= {'some': 'data'}
headers= {'content-type': 'application/json'}
ret= requests.post(url, data=json.dumps(payload), headers=headers)printret.textprint ret.cookies
向https://api.github.com/some/endpoint发送一个POST请求,将请求和相应相关的内容封装在 ret 对象中。
3、其他请求
requests.get(url, params=None, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.head(url,**kwargs)
requests.delete(url,**kwargs)
requests.patch(url, data=None, **kwargs)
requests.options(url,**kwargs)#以上方法均是在此方法的基础上构建
requests.request(method, url, **kwargs)
requests模块已经将常用的Http请求方法为用户封装完成,用户直接调用其提供的相应方法即可,其中方法的所有参数有:
def request(method, url, **kwargs):"""Constructs and sends a :class:`Request `.
:param method: method for the new :class:`Request` object.
:param url: URL for the new :class:`Request` object.
:param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
:param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.
:param json: (optional) json data to send in the body of the :class:`Request`.
:param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.
:param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.
:param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': ('filename', fileobj)}``) for multipart encoding upload.
:param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.
:param timeout: (optional) How long to wait for the server to send data
before giving up, as a float, or a :ref:`(connect timeout, read
timeout) ` tuple.
:type timeout: float or tuple
:param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.
:type allow_redirects: bool
:param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.
:param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.
:param stream: (optional) if ``False``, the response content will be immediately downloaded.
:param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.
:return: :class:`Response ` object
:rtype: requests.Response
Usage::
>>> import requests
>>> req = requests.request('GET', 'http://httpbin.org/get')
"""
#By using the 'with' statement we are sure the session is closed, thus we
#avoid leaving sockets open which can trigger a ResourceWarning in some
#cases, and look like a memory leak in others.
with sessions.Session() as session:return session.request(method=method, url=url, **kwargs)
更多参数
### 1、首先登陆任何页面,获取cookie
i1= requests.get(url= "http://dig.chouti.com/help/service")### 2、用户登陆,携带上一次的cookie,后台对cookie中的 gpsd 进行授权
i2 =requests.post(
url= "http://dig.chouti.com/login",
data={'phone': "86手机号",'password': "密码",'oneMonth': ""},
cookies=i1.cookies.get_dict()
)### 3、点赞(只需要携带已经被授权的gpsd即可)
gpsd = i1.cookies.get_dict()['gpsd']
i3=requests.post(
url="http://dig.chouti.com/link/vote?linksId=8589523",
cookies={'gpsd': gpsd}
)print(i3.text)
自动登录抽屉
“破解”微信公众号
“破解”微信公众号其实就是使用Python代码自动实现【登陆公众号】->【获取观众用户】-> 【向关注用户发送消息】。
注:只能向48小时内有互动的粉丝主动推送消息
1、自动登陆
分析对于Web登陆页面,用户登陆验证时仅做了如下操作:
登陆的URL:https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN
POST的数据为:
{
'username': 用户名,
'pwd': 密码的MD5值,
'imgcode': "",
'f': 'json'
}
注:imgcode是需要提供的验证码,默认无需验证码,只有在多次登陆未成功时,才需要用户提供验证码才能登陆
POST的请求头的Referer值,微信后台用次来检查是谁发送来的请求
请求发送并登陆成功后,获取用户响应的cookie,以后操作其他页面时需要携带此cookie
请求发送并登陆成功后,获取用户相应的内容中的token
importrequestsimporttimeimporthashlibdef_password(pwd):
ha=hashlib.md5()
ha.update(pwd)returnha.hexdigest()deflogin():
login_dict={'username': "用户名",'pwd': _password("密码"),'imgcode': "",'f': 'json'}
login_res=requests.post(
url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
data=login_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})#登陆成功之后获取服务器响应的cookie
resp_cookies_dict =login_res.cookies.get_dict()#登陆成功后,获取服务器响应的内容
resp_text =login_res.text#登陆成功后,获取token
token = re.findall(".*token=(\d+)", resp_text)[0]printresp_textprinttokenprintresp_cookies_dict
login()
登陆代码
登陆成功获取的相应内容如下:
响应内容:
{"base_resp":{"ret":0,"err_msg":"ok"},"redirect_url":"\/cgi-bin\/home?t=home\/index&lang=zh_CN&token=537908795"}
响应cookie:
{'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'CaoX+QA0ZA9LRZ4YM3zZkvedyCY8mZi0XlLonPwvBGkX0/jY/FZgmGTq6xGuQk4H', 'slave_user': 'gh_5abeaed48d10', 'slave_sid': 'elNLbU1TZHRPWDNXSWdNc2FjckUxalM0Y000amtTamlJOUliSnRnWGRCdjFseV9uQkl5cUpHYkxqaGJNcERtYnM2WjdFT1pQckNwMFNfUW5fUzVZZnFlWGpSRFlVRF9obThtZlBwYnRIVGt6cnNGbUJsNTNIdTlIc2JJU29QM2FPaHZjcTcya0F6UWRhQkhO'}
2、访问其他页面获取用户信息
分析用户管理页面,通过Pyhton代码以Get方式访问此页面,分析响应到的 HTML 代码,从中获取用户信息:
获取用户的URL:https://mp.weixin.qq.com/cgi-bin/user_tag?action=get_all_data&lang=zh_CN&token=登陆时获取的token
发送GET请求时,需要携带登陆成功后获取的cookie
{'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'C4YM3zZ...
获取当前请求的响应的html代码
通过正则表达式获取html中的指定内容(Python的模块Beautiful Soup)
获取html中每个用户的 data-fakeid属性,该值是用户的唯一标识,通过它可向用户推送消息
importrequestsimporttimeimporthashlibimportjsonimportre
LOGIN_COOKIES_DICT={}def_password(pwd):
ha=hashlib.md5()
ha.update(pwd)returnha.hexdigest()deflogin():
login_dict={'username': "用户名",'pwd': _password("密码"),'imgcode': "",'f': 'json'}
login_res=requests.post(
url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
data=login_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})#登陆成功之后获取服务器响应的cookie
resp_cookies_dict =login_res.cookies.get_dict()#登陆成功后,获取服务器响应的内容
resp_text =login_res.text#登陆成功后,获取token
token = re.findall(".*token=(\d+)", resp_text)[0]return {'token': token, 'cookies': resp_cookies_dict}defstandard_user_list(content):
content= re.sub('\s*', '', content)
content= re.sub('\n*', '', content)
data= re.findall("""cgiData=(.*);seajs""", content)[0]
data=data.strip()whileTrue:
temp= re.split('({)(\w+)(:)', data, 1)if len(temp) == 5:
temp[2] = '"' + temp[2] + '"'data= ''.join(temp)else:break
whileTrue:
temp= re.split('(,)(\w+)(:)', data, 1)if len(temp) == 5:
temp[2] = '"' + temp[2] + '"'data= ''.join(temp)else:breakdata= re.sub('\*\d+', "", data)
ret=json.loads(data)returnretdefget_user_list():
login_dict=login()
LOGIN_COOKIES_DICT.update(login_dict)
login_cookie_dict= login_dict['cookies']
res_user_list=requests.get(
url= "https://mp.weixin.qq.com/cgi-bin/user_tag",
params= {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},
cookies=login_cookie_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
)
user_info=standard_user_list(res_user_list.text)for item in user_info['user_list']:print "%s %s" % (item['nick_name'],item['id'],)
get_user_list()
代码实现
3、发送消息
分析给用户发送消息的页面,从网络请求中剖析得到发送消息的URL,从而使用Python代码发送消息:
发送消息的URL:https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=登陆时获取的token放在此处&lang=zh_CN
从登陆时相应的内容中获取:token和cookie
从用户列表中获取某个用户唯一标识: fake_id
封装消息,并发送POST请求
send_dict ={'token': 登陆时获取的token,'lang': "zh_CN",'f': 'json','ajax': 1,'random': "0.5322618900912392",'type': 1,'content': 要发送的内容,'tofakeid': 用户列表中获取的用户的ID,'imgcode': ''}
importrequestsimporttimeimporthashlibimportjsonimportre
LOGIN_COOKIES_DICT={}def_password(pwd):
ha=hashlib.md5()
ha.update(pwd)returnha.hexdigest()deflogin():
login_dict={'username': "用户名",'pwd': _password("密码"),'imgcode': "",'f': 'json'}
login_res=requests.post(
url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
data=login_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})#登陆成功之后获取服务器响应的cookie
resp_cookies_dict =login_res.cookies.get_dict()#登陆成功后,获取服务器响应的内容
resp_text =login_res.text#登陆成功后,获取token
token = re.findall(".*token=(\d+)", resp_text)[0]return {'token': token, 'cookies': resp_cookies_dict}defstandard_user_list(content):
content= re.sub('\s*', '', content)
content= re.sub('\n*', '', content)
data= re.findall("""cgiData=(.*);seajs""", content)[0]
data=data.strip()whileTrue:
temp= re.split('({)(\w+)(:)', data, 1)if len(temp) == 5:
temp[2] = '"' + temp[2] + '"'data= ''.join(temp)else:break
whileTrue:
temp= re.split('(,)(\w+)(:)', data, 1)if len(temp) == 5:
temp[2] = '"' + temp[2] + '"'data= ''.join(temp)else:breakdata= re.sub('\*\d+', "", data)
ret=json.loads(data)returnretdefget_user_list():
login_dict=login()
LOGIN_COOKIES_DICT.update(login_dict)
login_cookie_dict= login_dict['cookies']
res_user_list=requests.get(
url= "https://mp.weixin.qq.com/cgi-bin/user_tag",
params= {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},
cookies=login_cookie_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
)
user_info=standard_user_list(res_user_list.text)for item in user_info['user_list']:print "%s %s" % (item['nick_name'],item['id'],)def send_msg(user_fake_id, content='啥也没发'):
login_dict=LOGIN_COOKIES_DICT
token= login_dict['token']
login_cookie_dict= login_dict['cookies']
send_dict={'token': token,'lang': "zh_CN",'f': 'json','ajax': 1,'random': "0.5322618900912392",'type': 1,'content': content,'tofakeid': user_fake_id,'imgcode': ''}
send_url= "https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=%s&lang=zh_CN" %(token,)
message_list=requests.post(
url=send_url,
data=send_dict,
cookies=login_cookie_dict,
headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
)
get_user_list()
fake_id= raw_input('请输入用户ID:')
content= raw_input('请输入消息内容:')
send_msg(fake_id, content)
发送消息代码
以上就是“破解”微信公众号的整个过程,通过Python代码实现了自动【登陆微信公众号平台】【获取用户列表】【指定用户发送消息】。
Scrapy
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来,并封装成应答包(Response)
爬虫解析Response
解析出实体(Item),则交给实体管道进行进一步的处理
解析出的是链接(URL),则把URL交给调度器等待抓取
一、安装
pip install Scrapy
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
二、基本使用
1、创建项目
运行命令:
scrapy startproject your_project_name
自动创建目录:
project_name/scrapy.cfg
project_name/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
文件说明:
scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
items.py 设置数据存储模板,用于结构化数据,如:Django的Model
pipelines 数据处理行为,如:一般结构化的数据持久化
settings.py 配置文件,如:递归的层数、并发数,延迟下载等
spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
2、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
importscrapyclassXiaoHuarSpider(scrapy.spiders.Spider):
name= "xiaohuar"allowed_domains= ["xiaohuar.com"]
start_urls=["http://www.xiaohuar.com/hua/",
]defparse(self, response):#print(response, type(response))
#from scrapy.http.response.html import HtmlResponse
#print(response.body_as_unicode())
current_url=response.url
body=response.body
unicode_body= response.body_as_unicode()
View Code
3、运行
进入project_name目录,运行命令
scrapy crawl spider_name --nolog
4、递归的访问
以上的爬虫仅仅是爬去初始页,而我们爬虫是需要源源不断的执行下去,直到所有的网页被执行完毕
importscrapyfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorimportreimporturllibimportosclassXiaoHuarSpider(scrapy.spiders.Spider):
name= "xiaohuar"allowed_domains= ["xiaohuar.com"]
start_urls=["http://www.xiaohuar.com/list-1-1.html",
]defparse(self, response):#分析页面
#找到页面中符合规则的内容(校花图片),保存
#找到所有的a标签,再访问其他a标签,一层一层的搞下去
hxs=HtmlXPathSelector(response)#如果url是 http://www.xiaohuar.com/list-1-\d+.html
if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
items= hxs.select('//div[@class="item_list infinite_scroll"]/div')for i inrange(len(items)):
src= hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' %i).extract()
name= hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' %i).extract()
school= hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' %i).extract()ifsrc:
ab_src= "http://www.xiaohuar.com" +src[0]
file_name= "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))
file_path= os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
urllib.urlretrieve(ab_src, file_path)#获取所有的url,继续访问,并在其中寻找相同的url
all_urls = hxs.select('//a/@href').extract()for url inall_urls:if url.startswith('http://www.xiaohuar.com/list-1-'):yield Request(url, callback=self.parse)
以上代码将符合规则的页面中的图片保存在指定目录,并且在HTML源码中找到所有的其他 a 标签的href属性,从而“递归”的执行下去,直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL,关键在于parse方法使用了 yield Request对象。
注:可以修改settings.py 中的配置文件,以此来指定“递归”的层数,如: DEPTH_LIMIT = 1
from scrapy.selector importSelectorfrom scrapy.http importHtmlResponse
html= """
first item first item second item"""response= HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
ret= Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()print(ret)
正则选择器
importscrapyimporthashlibfrom tutorial.items importJinLuoSiItemfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorclassJinLuoSiSpider(scrapy.spiders.Spider):
count=0
url_set=set()
name= "jluosi"domain= 'http://www.jluosi.com'allowed_domains= ["jluosi.com"]
start_urls=["http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
]defparse(self, response):
md5_obj=hashlib.md5()
md5_obj.update(response.url)
md5_url=md5_obj.hexdigest()if md5_url inJinLuoSiSpider.url_set:pass
else:
JinLuoSiSpider.url_set.add(md5_url)
hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
item=JinLuoSiItem()
item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P\d*)&')
item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()
item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()
item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
product_list=[]
product_tr= hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')for i in range(2,len(product_tr)):
temp={'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
}
product_list.append(temp)
item['product_list'] =product_listyielditem
current_page_urls= hxs.select('//a/@href').extract()for i inrange(len(current_page_urls)):
url=current_page_urls[i]if url.startswith('http://www.jluosi.com'):
url_ab=urlyield Request(url_ab, callback=self.parse)
选择器规则
defparse(self, response):from scrapy.http.cookies importCookieJar
cookieJar=CookieJar()
cookieJar.extract_cookies(response, response.request)print(cookieJar._cookies)
获取响应cookies
5、格式化处理
上述实例只是简单的图片处理,所以在parse方法中直接处理。如果对于想要获取更多的数据(获取页面的价格、商品名称、QQ等),则可以利用Scrapy的items将数据格式化,然后统一交由pipelines来处理。
在items.py中创建类:
#Define here the models for your scraped items#
#See documentation in:#http://doc.scrapy.org/en/latest/topics/items.html
importscrapyclassJieYiCaiItem(scrapy.Item):
company=scrapy.Field()
title=scrapy.Field()
qq=scrapy.Field()
info=scrapy.Field()
more= scrapy.Field()
上述定义模板,以后对于从请求的源码中获取的数据同意按照此结构来获取,所以在spider中需要有一下操作:
importscrapyimporthashlibfrom beauty.items importJieYiCaiItemfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorfrom scrapy.spiders importCrawlSpider, Rulefrom scrapy.linkextractors importLinkExtractorclassJieYiCaiSpider(scrapy.spiders.Spider):
count=0
url_set=set()
name= "jieyicai"domain= 'http://www.jieyicai.com'allowed_domains= ["jieyicai.com"]
start_urls=["http://www.jieyicai.com",
]
rules=[#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
#Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
#Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
]defparse(self, response):
md5_obj=hashlib.md5()
md5_obj.update(response.url)
md5_url=md5_obj.hexdigest()if md5_url inJieYiCaiSpider.url_set:pass
else:
JieYiCaiSpider.url_set.add(md5_url)
hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
item=JieYiCaiItem()
item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P\d*)&')
item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()yielditem
current_page_urls= hxs.select('//a/@href').extract()for i inrange(len(current_page_urls)):
url=current_page_urls[i]if url.startswith('/'):
url_ab= JieYiCaiSpider.domain +urlyield Request(url_ab, callback=self.parse)
spider
此处代码的关键在于:
将获取的数据封装在了Item对象中
yield Item对象 (一旦parse中执行yield Item对象,则自动将该对象交个pipelines的类来处理)
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
importjsonfrom twisted.enterprise importadbapiimportMySQLdb.cursorsimportre
mobile_re= re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
phone_re= re.compile(r'(\d+-\d+|\d+)')classJsonPipeline(object):def __init__(self):
self.file= open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')defprocess_item(self, item, spider):
line= "%s %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
self.file.write(line)returnitemclassDBPipeline(object):def __init__(self):
self.db_pool= adbapi.ConnectionPool('MySQLdb',
db='DbCenter',
user='root',
passwd='123',
cursorclass=MySQLdb.cursors.DictCursor,
use_unicode=True)defprocess_item(self, item, spider):
query=self.db_pool.runInteraction(self._conditional_insert, item)
query.addErrback(self.handle_error)returnitemdef_conditional_insert(self, tx, item):
tx.execute("select nid from company where company = %s", (item['company'][0], ))
result=tx.fetchone()ifresult:pass
else:
phone_obj= phone_re.search(item['info'][0].strip())
phone= phone_obj.group() if phone_obj else ' 'mobile_obj= mobile_re.search(item['info'][1].strip())
mobile= mobile_obj.group() if mobile_obj else ' 'values=(
item['company'][0],
item['qq'][0],
phone,
mobile,
item['info'][2].strip(),
item['more'][0])
tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)defhandle_error(self, e):print('error',e)
pipelines
上述中的pipelines中有多个类,到底Scapy会自动执行那个?哈哈哈哈,当然需要先配置了,不然Scapy就蒙逼了。。。
在settings.py中做如下配置:
ITEM_PIPELINES ={'beauty.pipelines.DBPipeline': 300,'beauty.pipelines.JsonPipeline': 100,
}#每行后面的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内。