爬虫提高之scrapy框架

最新推荐文章于 2023-08-12 15:13:15 发布

Di.via

最新推荐文章于 2023-08-12 15:13:15 发布

阅读量363

点赞数

分类专栏：爬虫文章标签：爬虫

本文链接：https://blog.csdn.net/weixin_44611098/article/details/101229263

版权

爬虫专栏收录该内容

11 篇文章 1 订阅

订阅专栏

scrapy框架的学习
介绍
前面我们学习了基础的爬虫实现方法和selenium以及mongodb数据库，那么接下来会我们学习一个上场率非常高的爬虫框架：scrapy

内容
scrapy的基础概念和工作流程
scrapy入门使用
scrapy的深入
crawlspider的使用

2.3.1scrapy的基础概念和流程
目标
了解学习scrapy的目的
能够说出异步和非阻塞的区别
掌握scrapy的流程

为什么要学习scrapy

通过前面的学习，我们已经能够解决90%的爬虫问题了，那么scrapy是为了解决剩下的10%的问题么，不是，scrapy框架能够让我们的爬虫效率更高

那么剩下的10%怎么办呢？在课堂上我们学习的是通用的爬虫技能和爬虫方法，剩下的10%大家可能以后都不会遇到，或者在公司中再去学习

什么是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，我们只需要实现少量的代码，就能够快速的抓取。

Scrapy 使用了Twisted['twɪstɪd]异步网络框架，可以加快我们的下载速度。

文档地址：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

异步和非阻塞的区别
前面我们说Twisted是一个异步的网络框架，经常我们也听到一个词语叫做非阻塞，那么他们有什么区别呢？

异步：调用在发出之后，这个调用就直接返回，不管有无结果
非阻塞：关注的是程序在等待调用结果（消息，返回值）时的状态，指在不能立刻得到结果之前，该调用不会阻塞当前线程。
4. scrapy是工作流程
4.1 回顾之前的爬虫流程

4.2 上面的流程可以改写为

4.3 scrapy的流程

其流程可以描述如下：

调度器把requests–>引擎–>下载中间件—>下载器
下载器发送请求，获取响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
爬虫提取url地址，组装成request对象---->爬虫中间件—>引擎—>调度器
爬虫提取数据—>引擎—>管道
管道进行数据的处理和保存
注意：

图中绿色线条的表示数据的传递
注意图中中间件的位置，决定了其作用
注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互
4.4 scrapy中每个模块的具体作用

小结
本小结重点
掌握scrapy中数据的传递过程
掌握scrapy中每个模块的作用
理解异步和非阻塞的区别

2.3.2scrapy的入门使用（一）
目标
掌握如何创建项目
掌握如何创建爬虫
熟悉创建项目后每个文件的作用
掌握pipeline的使用
掌握scrapy中logging的使用

scrapy项目实现流程
创建一个scrapy项目:scrapy startproject mySpider

生成一个爬虫:scrapy genspider itcast "itcast.cn

提取数据:完善spider，使用xpath等方法

保存数据:pipeline中保存数据

创建scrapy项目
下面以抓取传智师资库来学习scrapy的入门使用：http://www.itcast.cn/channel/teacher.shtml

命令：scrapy startproject +<项目名字>

示例：scrapy startproject myspider

生成的目录和文件结果如下：

创建爬虫
命令：scrapy genspider +<爬虫名字> + <允许爬取的域名>

示例：scrapy genspider itcast itcast.cn

生成的目录和文件结果如下：

完善spider
完善spider即通过方法进行数据的提取等操作

注意：

response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
extract() 返回一个包含有字符串的列表
extract_first() 返回列表中的第一个字符串，列表为空没有返回None
spider中的parse方法必须有
需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
启动爬虫的时候注意启动的位置，是在项目路径下启动
5. 数据传递到pipeline

为什么要使用yield？

让整个函数变成一个生成器，有什么好处呢？
遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
python3中的range和python2中的xrange同理
注意：

yield能够传递的对象只能是：BaseItem,Request,dict,None
6. 完善pipeline

pipeline在settings中能够开启多个，为什么需要开启多个？

不同的pipeline可以处理不同爬虫的数据
不同的pipeline能够进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存
pipeline使用注意点

使用之前需要在settings中开启
pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过
有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
pipeline中process_item的方法必须有，否则item没有办法接受和处理
process_item方法接受item和spider，其中spider表示当前传递item过来的spider
7. 输出日志LOG的设置
为了让我们自己希望输出到终端的内容能容易看一些，我们可以在setting中设置log级别

在setting中添加一行（全部大写）：LOG_LEVEL = "WARNING”

默认终端显示的是debug级别的log信息

小结
本小结重点
掌握如何创建项目
掌握如何创建爬虫
熟悉创建项目后每个文件的作用
掌握pipeline的使用

2.3.3scrapy的入门使用（二）
目标
掌握如何构造和发送请求
掌握Item的使用
掌握meta参数的使用

scrapy实现翻页请求
对于要提取如下图中所有页面上的数据该怎么办？

回顾requests模块是如何实现翻页请求的：

找到下一页的URL地址
调用requests.get(url)
思路：

找到下一页的url地址
构造url地址的请求，传递给引擎
1.1 实现翻页请求
使用方法

在获取到url地址之后，可以通过scrapy.Request(url,callback)得到一个request对象，通过yield关键字就可以把这个request对象交给引擎

具体使用

添加User-Agent

同时可以再在setting中设置User-Agent：

 USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'

通过爬取腾讯招聘的页面的招聘信息,学习如何实现翻页请求

地址：http://hr.tencent.com/position.php

思路分析：

获取首页的数据
寻找下一页的地址，进行翻页获取数据
1.2 scrapy.Request的更多参数

scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])

注意：

括号中的参数为可选参数
callback：表示当前的url的响应交给哪个函数去处理
meta：实现数据在不同的解析函数中传递，meta默认带有部分数据，比如下载延迟，请求深度等
dont_filter:默认会过滤请求的url地址，即请求过的url地址不会继续被请求，对需要重复请求的url地址可以把它设置为Ture，比如贴吧的翻页请求，页面的数据总是在变化;start_urls中的地址会被反复请求，否则程序不会启动
2. 定义Item
定义Item的原因

定义item即提前规划好哪些字段需要抓取，scrapy.Field()仅仅是提前占坑，通过item.py能够让别人清楚自己的爬虫是在抓取什么，同时定义好哪些字段是需要抓取的，没有定义的字段不能使用，防止手误

定义Item

使用Item

Item使用之前需要先导入并且实例化，之后的使用方法和使用字典相同

 from yangguang.items import YangguangItem
 item = YangguangItem() #实例化

通过爬取阳光热线问政平台来学习item的使用

目标：所有的投诉帖子的编号、帖子的url、帖子的标题和内容，url： http://wz.sun0769.com/index.php/question/questionType?type=4&page=0

思路分析

列表页的数据

确定列表页url地址和程序结束条件

存在下一页时

不存在下一页时

确定详情页的数据

数据从列表页传递到详情页使用:meta参数

包含图片时

不包含图片时

动手
抓取https://www.guokr.com/ask/highlight/上列表页的内容

小结
本小结重点
掌握scrapy发送请求的方法
知道scrapy中dont_filer的使用
掌握scrapy中meta参数的使用
掌握scrapy中Item的使用

2.3.4scrapy的深入使用
目标
认识scrapy的debug信息
知道scrapy shell如何使用
认识setting中的配置一起配置的使用

认识scrapy的debug信息
每次程序启动后，默认情况下，终端都会出现很多的debug信息，那么下面我们来简单认识下这些信息
scrapy shell的使用
scrapy shell是scrapy提供的一个终端工具，能够通过它查看scrapy中对象的属性和方法，以及测试xpath

使用方法：scrapy shell http://www.itcast.cn/channel/teacher.shtml

在终端输入上述命令后，能够进入python的交互式终端

小知识点：

response.url：当前响应的url地址
response.request.url：当前响应对应的请求的url地址
response.headers：响应头
response.body：响应体，也就是html代码，默认是byte类型
response.requests.headers：当前响应的请求头
3. 认识scrapy中的setting文件
为什么项目中需要配置文件

在配置文件中存放一些公共变量，在后续的项目中便便修改，注意其中的变量名一般全部大写
配置文件中的变量使用方法

导入即可使用
settings.py中的重点字段和内涵

USER_AGENT 设置ua
ROBOTSTXT_OBEY 是否遵守robots协议，默认是遵守
CONCURRENT_REQUESTS 设置并发请求的数量，默认是16个
DOWNLOAD_DELAY 下载延迟，默认无延迟
COOKIES_ENABLED 是否开启cookie，即每次请求带上前一次的cookie，默认是开启的
DEFAULT_REQUEST_HEADERS 设置默认请求头
SPIDER_MIDDLEWARES 爬虫中间件，设置过程和管道相同
DOWNLOADER_MIDDLEWARES 下载中间件
4. 管道中的open_spider和close_spider 的方法
在管道中，除了必须定义process_item之外，还可以定义两个方法：

open_spider(spider) :能够在爬虫开启的时候执行一次
close_spider(spider) :能够在爬虫关闭的时候执行一次
所以，上述方法经常用于爬虫和数据库的交互，在爬虫开启的时候建立和数据库的连接，在爬虫关闭的时候断开和数据库的连接

下面的代码分别以操作文件和mongodb为例展示方法的使用：

动手
需求：爬取苏宁易购所有下所有图书和图书分类信息，以及子链接页面的价格内容。

url : https://book.suning.com/

思路分析：

确定数据抓取的入口数据包含一个大分类，每个大分类包含多个中间分类，每个中间分类包含多个小分类

注意其中中间分类的位置并不在大分类中，小分类的位置也不在中间分类中

大分类的位置如下：

中间分类和小分类的位置如下：

确定url和程序终止的条件列表页首页的地址就是小分类的地址，通过请求这些地址，能够进入列表页的首页

但是翻页的url地址不在响应中，而且每个页面的数据是由两个请求获取的

通过抓包，能够知道URL地址的规律，pagenum每次+1

那么如果确定什么时候程序终止呢？

通过观察url地址对应的响应，能够知道总的页码数和当前页码数，当前页码数<总的页码数时，能够构造出下一页的请求

翻页的两个url地址为：

next_url_temp_1 = “https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010”

next_url_temp_2 = “https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0”
其中ci的值和cp的值在变化，ci为url地址中的参数，cp为页码数

确定列表页数据的位置

列表页的数据都在li标签下，数据都在url地址对应的响应中

但是注意第一页的数据是由小分类的url地址和另一个ajax请求共同获取的，ajax中的数据位置

价格数据的位置价格不再url地址对应的响应中，而在:https://pas.suning.com/nspcsale_0_000000000167229140_000000000167229140_0070121210_10_010_0100101_226503_1000000_9017_10106____R9011184_1.1.html?callback=pcData&_=1526313493577

这个url地址中的前三个参数在url地址中，后两个参数在详情页url地址的响应中，对应的临时的url地址为：https://pas.suning.com/nspcsale_0_000000000{}000000000{}{}10_010_0100101_226503_1000000_9017_10106___{}{}.html?callback=pcData&=1526011028849

小结
本小结重点
认识scrapy的debug信息
知道scrapy shell如何使用
认识setting中的配置一起配置的使用

2.3.5crawlspider类的使用
目标
掌握crawlspider爬虫的创建方式
掌握crawlspdier中rules的书写
能够通过crawlspider类完成一个爬虫

crawlspider是什么
回顾之前的代码中，我们有很大一部分时间在寻找下一页的url地址或者是内容的url地址上面，这个过程能更简单一些么？

思路：

从response中提取所有的满足规则的url地址
自动的构造自己requests请求，发送给引擎
对应的crawlspider就可以实现上述需求，匹配满足条件的url地址，才发送给引擎，同时能够指定callback函数

认识crawlspider爬虫
2.1 创建crawlspdier爬虫的命令
scrapy genspider –t crawl itcast itcast.cn

2.2 观察爬虫内的默认内容
spider中默认生成的内容如下，其中重点在rules中

rules是一个元组或者是列表，包含的是Rule对象
Rule表示规则，其中包含LinkExtractor,callback和follow
LinkExtractor:连接提取器，可以通过正则或者是xpath来进行url地址的匹配
callback :表示经过连接提取器提取出来的url地址响应的回调函数，可以没有，没有表示响应不会进行回调函数的处理
follow：表示进过连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取，True表示会，Flase表示不会

class Itcast1Spider(CrawlSpider):
    name = 'itcast1'
    allowed_domains = ['itcast.cn']
    start_urls = ['http://itcast.cn/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #使用xpath进行数据的提取或者url地址的提取
        return i

2.3 crawlspider的使用
通过crawlspider爬取腾讯招聘的详情页的招聘信息，url：http://hr.tencent.com/position.php

思路分析：

列表页翻页

定义一个规则，来进行列表页的翻页，follow需要设置为True，列表页url地址的规律如下

详情页翻页

定义一个规则，实现从列表页进入详情页，并且指定回调函数

详情页数据的提取

在详情页url地址对应的回调函数中，实现数据提取

2.4 crawlspider使用的注意点

2.5 crawlspider的补充知识点(了解)

小结
本小结重点
掌握crawlspider创建爬虫的命令
掌握crawlspider中规则的编写
掌握Rule中callback和follow的使用方式

2.3.6下载中间件和模拟登陆
目标
掌握常见的下载中间件的编写方式
掌握模拟登陆的思路
掌握scrapy中模拟登陆的三种方式

scrapy中下载中间件的使用
使用方法：

编写一个Downloader Middlewares和我们编写一个pipeline一样，定义一个类，然后在setting中开启

Downloader Middlewares默认的方法：

process_request(self, request, spider)：

当每个request通过下载中间件时，该方法被调用。
返回None值：继续请求
返回Response对象：不在请求，把response返回给引擎
返回Request对象：把request对象交给调度器进行后续的请求
process_response(self, request, response, spider)：

 - 当下载器完成http请求，传递响应给引擎的时候调用
 - 返回Resposne：交给process_response来处理
 - 返回Request对象：交给调取器继续请求

定义实现随机User-Agent的下载中间件

 class UserAgentMiddleware(object):
     def process_request(self,request,spider):
         agent = random.choice(agents)
         request.headers['User-Agent'] = agent

定义实现随机使用代理的下载中间件

 class ProxyMiddleware(object):
     def process_request(self,request,spider):
         proxy = random.choice(proxies)
         request.meta['proxy'] = proxy

User-Agent池在这里

USER_AGENTS = [ "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" ]

使用scrapy进行模拟登陆
2.1 回顾之前的模拟登陆的方法
requests是如何模拟登陆的？

直接携带cookies请求页面
找接口发送post请求存储cookie
selenium是如何模拟登陆的？

找到对应的input标签，输入文字点击登录
scrapy来说，有两个方法模拟登陆：

1、直接携带cookie
2、找到发送post请求的url地址，带上信息，发送请求

2.2 scrapy携带cookie进行模拟登陆
携带cookie进行模拟登陆应用场景：

cookie过期时间很长，常见于一些不规范的网站
能在cookie过期之前把搜有的数据拿到
配合其他程序使用，比如其使用selenium把登陆之后的cookie获取到保存到本地，scrapy发送请求之前先读取本地cookie
scrapy的start_requests方法的学习

scrapy中start_url是通过start_requests来进行处理的，其实现代码如下

 def start_requests(self):
     cls = self.__class__
     if method_is_overridden(cls, Spider, 'make_requests_from_url'):
         warnings.warn(
             "Spider.make_requests_from_url method is deprecated; it "
             "won't be called in future Scrapy releases. Please "
             "override Spider.start_requests method instead (see %s.%s)." % (
                 cls.__module__, cls.__name__
             ),
         )
         for url in self.start_urls:
             yield self.make_requests_from_url(url)
     else:
         for url in self.start_urls:
             yield Request(url, dont_filter=True)

所以对应的，如果start_url地址中的url是需要登录后才能访问的url地址，则需要重写start_request方法并在其中手动添加上cookie

实现携带cookie登录人人网

注意：scrapy中cookie不能够放在headers中，在构造请求的时候有专门的cookies参数，能够接受字典形式的coookie

import scrapy
import re

class RenrenSpider(scrapy.Spider):
    name = 'renren'
    allowed_domains = ['renren.com']
    start_urls = ['http://www.renren.com/941954027/profile']

    def start_requests(self):
        cookie_str = "cookie_str"
        cookie_dict = {i.split("=")[0]:i.split("=")[1] for i in cookie_str.split("; ")}
        yield scrapy.Request(
            self.start_urls[0],
            callback=self.parse,
            cookies=cookie_dict,
            # headers={"Cookie":cookie_str}
        )

    def parse(self, response):
        ret = re.findall("新用户287",response.text)
        print(ret)
        yield scrapy.Request(
            "http://www.renren.com/941954027/profile?v=info_timeline",
            callback=self.parse_detail
        )

    def parse_detail(self,response):
        ret = re.findall("新用户287",response.text)
        print(ret)

在settings中开启cookie_debug

在settings.py中通过设置COOKIES_DEBUG=TRUE 能够在终端看到cookie的传递传递过程

2.3 scrapy发送post请求
scrapy中发送post请求的方法通过scrapy.FormRequest能够发送post请求，同时需要添加fromdata参数作为请求体，以及callback

 yield scrapy.FormRequest(
             "https://github.com/session",
             formdata={
                 "authenticity_token":authenticity_token,
                 "utf8":utf8,
                 "commit":commit,
                 "login":"noobpythoner",
                 "password":"zhoudawei123"
             },
             callback=self.parse_login
         )

使用scrapy模拟登陆github

思路分析

找到post的url地址

点击登录按钮进行抓包，然后定位url地址为https://github.com/session

找到请求体的规律

分析post请求的请求体，其中包含的参数均在前一次的响应中

验证是否登录成功

通过请求个人主页，观察是否包含用户名

代码实现如下：

#spider/github.py
# -*- coding: utf-8 -*-
import scrapy
import re

class GithubSpider(scrapy.Spider):
 name = 'github'
 allowed_domains = ['github.com']
 start_urls = ['https://github.com/login']

 def parse(self, response):
     authenticity_token = response.xpath("//input[@name='authenticity_token']/@value").extract_first()
     utf8 = response.xpath("//input[@name='utf8']/@value").extract_first()
     commit = response.xpath("//input[@name='commit']/@value").extract_first()

     yield scrapy.FormRequest(
         "https://github.com/session",
         formdata={
             "authenticity_token":authenticity_token,
             "utf8":utf8,
             "commit":commit,
             "login":"noobpythoner",
             "password":"***"
         },
         callback=self.parse_login
     )

 def parse_login(self,response):
     ret = re.findall("noobpythoner",response.text,re.I)
     print(ret)

2.3 scrapy进行表单提交
方法介绍

scrapy中具有一个方法：scrapy.Formrequest.from_response能够自动的从响应中寻找form表单，然后把formdata中的数据提交到action对应的url地址中

使用实例如下

  def parse(self, response):
     yield scrapy.FormRequest.from_response(
         response,#自动的从中寻找action对应的url地址
         formdata={
             "login":"noobpythoner",
             "password":"***"
         },
         callback = self.parse_login
     )

使用scrapy.Formrequest.from_response进行模拟登陆github

小结
本小结重点
掌握下载中间件的使用方式
了解中间件中的方法和返回值
掌握scrapy携带cookie进行登录的方法
掌握scrapy发送post请求的方法
掌握scrapy进行表单提交的方法