Python 网络爬虫：Scrapy-redis 的简单配置及初应用

Python 网络爬虫：Scrapy-redis 的简单配置及初应用

---

---

前言

最近有一段时间没有更新自己的笔记了，一是因为这段时间工作忙一点在学很多新知识，二是年前年后太懒散了，也发生蛮多事情 ，心思完全不在这上面。希望后面可以鼓起劲来，good good study ，day day up！

---

一、scrapy-redis是什么？

简单说说我的理解，scrapy-redis可以看做scrapy功能的增加，主要多的功能是让scrapy支持了分布式，增加了持续去重，增加了断点续爬，增量爬取等功能。这样在你爬取许多更新的站点时，例如新闻站点，就可以实现增量爬取，自动过滤掉爬过的链接，非常的方便。

二、使用步骤

1.首先当然是安装redis啦

redis的安装非常的简单，网上有很多安装的分析文章，笔者在这里推荐一个

https://blog.csdn.net/weixin_43288034/article/details/107041599

2.scrapy-redis相关配置

只要在settings.py中加入一些redis配置参数就行了

# 指定Redis的主机名和端口
# REDIS_HOST = 'localhost'
# REDIS_PORT = 6379

# 使能Redis调度器
SCHEDULER = 'scrapy_redis.scheduler.Scheduler'
# 所有spider通过redis使用同一个去重过滤器
DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
# 将Requests队列持久化到Redis，可支持暂停或重启爬虫
SCHEDULER_PERSIST = True

# Requests的调度策略，默认优先级队列
# SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

注释的部分可以不用添加，指定Redis的主机名和端口可以添加在爬虫文件中。

3.代码部分

基本配置已经完成，现在就开始编写爬虫。
目标网站：https://cn.nytimes.com/
这是一个外国新闻网站，我们需要分类爬取所有的新闻内容。

(1) 分析页面情况

我们可以看到这里的新闻分成了很多个栏目。

点击不同栏目对应的url也产生了规律性的变化，基本就可以确定这个网页是个简单的get请求。再看看新闻链接已经新闻内容在哪。



从以上可以得出，我们需要的资源就在静态的页面中，可以直接请求到。

(2) 编写爬虫文件

首先是主页面新闻链接，通过xpath可以提取：

    def parse(self, response):
        type_url = (response.url).replace('https://cn.nytimes.com/','').replace('/','')
        content_url = response.xpath('//h3//a/@href').getall()
        for i in content_url:
            s = response.urljoin(i)
            a = urljoin(s,'dual/')
            yield response.follow(url=a, callback=self.parse_detail,meta={'Type': type_url})

然后是翻页：

        nextpage_url = response.xpath('//*[@class="next"]//a/@href').getall()
        if nextpage_url:
            yield response.follow(url=nextpage_url, callback=self.parse,dont_filter=True)

注：这里是最简单的翻页方式，dont_filter=True这个参数是使得翻页url不会被redis过滤。

再往下是新闻详情页：

    def parse_detail(self, response):
            item = {}
            type_url = response.meta['Type']
            type_url = str(type_url)
            number = re.findall('\d+', type_url)
            if number:
                number = ''.join(number)
            else:
                number = ''

            type_url = type_url.replace(str(number),'').strip()
            item['url'] = response.url
            item['type_url'] = type_url
            news_paragragh_list = []


            content = response.xpath('//*[@class="article-paragraph"]')
            for i in content:
                paragragh = i.xpath('.//text()').extract()
                paragragh = ''.join(paragragh)
                news_paragragh_list.append(paragragh.strip())
                item['page'] = news_paragragh_list


            if news_paragragh_list:
                item['page'] = news_paragragh_list

            yield item

这样爬虫文件就基本完成了。

spiders完整代码：

import scrapy
import re
from redis import Redis
from scrapy import cmdline, selector, Request
from urllib.parse import urljoin

class NewsSpider(scrapy.Spider):
    name = 'news'
    start_urls = ['https://cn.nytimes.com/world/','https://cn.nytimes.com/china/','https://cn.nytimes.com/business/','https://cn.nytimes.com/lens/','https://cn.nytimes.com/technology/','https://cn.nytimes.com/science/','https://cn.nytimes.com/health/','https://cn.nytimes.com/education/','https://cn.nytimes.com/travel/','https://cn.nytimes.com/culture/','https://cn.nytimes.com/style/','https://cn.nytimes.com/real-estate/','https://cn.nytimes.com/opinion/']
    
    # 创建redis链接对象
    conn = Redis(host='127.0.0.1',encoding='utf-8', port=6379)

    def parse(self, response):
        type_url = (response.url).replace('https://cn.nytimes.com/','').replace('/','')
        content_url = response.xpath('//h3//a/@href').getall()
        for i in content_url:
            s = response.urljoin(i)
            a = urljoin(s,'dual/')
            yield response.follow(url=a, callback=self.parse_detail,meta={'Type': type_url})
            
        # 翻页
        nextpage_url = response.xpath('//*[@class="next"]//a/@href').getall()
        if nextpage_url:
            yield response.follow(url=nextpage_url, callback=self.parse,dont_filter=True)
        
     
    def parse_detail(self, response):
            item = {}
            type_url = response.meta['Type']
            type_url = str(type_url)
            number = re.findall('\d+', type_url)
            if number:
                number = ''.join(number)
            else:
                number = ''

            type_url = type_url.replace(str(number),'').strip()
            item['url'] = response.url
            item['type_url'] = type_url
            news_paragragh_list = []


            content = response.xpath('//*[@class="article-paragraph"]')
            for i in content:
                paragragh = i.xpath('.//text()').extract()
                paragragh = ''.join(paragragh)
                news_paragragh_list.append(paragragh.strip())
                item['page'] = news_paragragh_list


            if news_paragragh_list:
                item['page'] = news_paragragh_list

            yield item
            
if __name__ == '__main__':
    cmdline.execute(["scrapy", "crawl", "news"])   
   

(3) 编写items文件

import scrapy
class DemoItem(scrapy.Item):
    paragragh = scrapy.Field()
    type_url = scrapy.Field()
    page = scrapy.Field()

(4) 编写pipelines文件

我们将爬取好数据存放于mongodb数据库中

import pymongo

class NewsSpider:

    def __init__(self):
        # 连接数据库
        self.client = pymongo.MongoClient(host='localhost', port=27017)
        # 创建库
        self.db = self.client['NewYorknewspaper']
        # 创建表
        self.table = self.db['text']

    def process_item(self, item, spider):
        # print('====================================')
        self.table.insert(dict(item))
        return item

注释：其实也可以使用scrapy_mongodb库，只需要在setting中配置对应参数即可。

(4) 编写setting文件

这里只罗列再次修改的部分

#请求头设置
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Accept-encoding': 'gzip, deflate, br',
    'Accept-language': 'zh-CN,zh;q=0.9',
    'Cookie': '这里可加入浏览时的cookie'
}
#这里开启了两个中间件，由于这个站点需要代理才能访问，所以这俩中间件一个是随机UA，一个是代理。
DOWNLOADER_MIDDLEWARES = {
   'demo.middlewares.RandomUserAgentMiddleware': 543,
   'demo.middlewares.ProxyMiddleware': 100
}
#开启管道
ITEM_PIPELINES = {
   'demo.pipelines.DemoPipeline': 300,
}
#自动限速(控制爬取速度，降低对方服务器压力)
AUTOTHROTTLE_ENABLED = True

总结

学习的积累是个漫长而又孤独的过程，每天多进步一点点，总有一天可以达成自己的目标，要相信光！