自制python爬虫程序模板（爬虫小白亦可用）
在平时挥手大干项目的过程中，时不时会有一些小的爬虫任务需要处理，因此专门写了一个爬虫框架，基本覆盖平常用到的网站，觉得使用效果不错，分享出来给大家使用，也请各路大神走过路过提些好的意见。
接下来为大家简单介绍一下每个模块实现过程及思路。本文结束后处会附全部代码，前面代码只是便于大家理解，无需挨个粘贴。
1.mysql数据库链接
本程序使用mysql数据库读取和保存数据，为了工作过程中的安全和方便，我们通过另外一个程序将数据库链接账号密码等数据，保存中windows注册表中，可通过 win+regedit 调出查看。（此块仅适用于windows系统，若需在linux上使用，则不使用此模块链接数据库），本模块中数据库链接方式见代码：
def read_setttings_zhuce(self, file, winn_c_u=winreg.HKEY_CURRENT_USER):
"""
读取注册表中的设置
"""
parentkey = winreg.OpenKey(winn_c_u, file)
# 获取该键的所有键值，因为没有方法可以获取键值的个数，所以只能用这种方法进行遍历
item = dict()
try:
i = 0
while True:
# EnumValue方法用来枚举键值，EnumKey用来枚举子键
name, value, type = winreg.EnumValue(parentkey, i)
item[name] = value
i += 1
except Exception as e:
pass
return item
def __init__(self, start_p):
# 注意，super().__init__() 一定要写
# 而且要写在最前面，否则会报错。
super().__init__()
self.item_fwq = self.read_setttings_zhuce("Software\lxl\lxl_program")
# 链接数据库
self.conn = pymysql.connect(
user=self.item_fwq["user"], password=self.item_fwq["password"], host=self.item_fwq["host"], port=int(self.item_fwq["port"]),
database=self.item_fwq["database"], use_unicode=True,
charset="utf8")
self.start_p = start_p
print("数据库开启中......")
# 获取游标
self.cursor = self.conn.cursor()
2. 页面请求过程
此处说明一下，整个模块是通过dict来传递数据的，因此在使用过程中，可以随时随地添加我们需要传递的参数。我们平常用到的页面一般是get或post请求方式，get方式通过修改传递的url链接即可请求获取数据，post方式通过data参数传递获取数据。因此将两种方式分开处理。同时将请求回来的数据做deocde解码处理，一般遇到的有utf8或者GBK的，我写了两种，如果你们使用过程中出现其他的解码，添加上去即可，此处代码比较low我就不贴在此处了，各位结尾处直接复制即可，（我贴几行重点吧，否则好像显得此处特殊）。ip代理注册购买链接：http://www.data5u.com/?developer=68f5e90ca2ad45d11f3d32561fe24bc5
item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
# 读取实时写入windows注册表中的ip代理 本人喜欢使用无忧代理 不是打广告，而是品质确实好
proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
headers = {
"user-agent": item_fwq_ip['user_agent']
}
try:
response = requests.get(url=url, headers=headers, timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
try:
response = requests.post(url=url, headers=headers, data=data,timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
3. 数据提取处理
页面请求成功之后，会返回三种格式，一种是html格式，一种是json格式，还有一种是我请求不到数据返回的无数据结果（未针对此处如何处理，若有需要，自行处理）。针对html格式我们使用xpath解析数据（本来想着能不能通过代码去自动处理xpath，太忙没时间，以后补上吧）；针对json格式，就简单许多了，直接对应读取出来即可。两种格式处理之后，将数据以dict格式传递至数据保存处理中即可 见代码：
def response_json(self, response, meta={}):
"""
json 格式解析
"""
list_data = response['result']['data']
for ds in list_data:
item = dict()
"""
此处可以对数据进行处理，若不需特殊处理的 则直接合并到item字典中，保存入数据库
列: item["pid] = ds['id']
"""
item = {**item, **meta}
where_list = ["pid"] # 此处添加mysql保存判断条件中查询的字段 可写多个字段
table_name = 'your_databases_tablename' # 此处添加你需要保存的数据表名称 注: 若没有新建数据表， 代码可自动建立新的数据表
self.mysql_f_item(item, table_name=table_name, where_list=where_list)
def response_html(self, response, meta={}):
"""
html 格式解析
"""
list_response = response.xpath('//div[@class="name"]')
for resp in list_response:
item = dict()
"""
此处可以对数据进行xpath解析处理，保存入数据库
列: item["pid] = resp.xpath('./a/@href')[0]
"""
print(item)
item = {**item, **meta}
where_list = ["pid"] # 此处添加mysql保存判断条件中查询的字段 可写多个字段
table_name = "your_databases_tablename" # 此处添加你需要保存的数据表名称 注: 若没有新建数据表， 代码可自动建立新的数据表
self.mysql_f_item(item, table_name, where_list=where_list)
4. 数据保存处理。
数据库选用mysql保存，在此模块中，我加入了自动创建表和自动拼接sql的功能，传入一个数据表名称，若存在则进行下一步处理，不存在会进行数据表创建，此时dict中的字段名称就起到了一定的作用，我通过字段中所带的值，作为创建字段的类型（此处也可自行添加）；同时数据保存过程中，有时会需要做判重，通过在指定列表 where_list 中添加字段即可（默认为空，不判重。其他的没什么了都是一些常规操作了。见代码：
sql = "insert into %s(" % table_name
for item in lst:
sql = sql + "`%s`," % item
sql = sql.strip(',') + ") values ("
if list_flag is False:
for item in lst:
sql = sql + "'{%s}'," % item
else:
for i in range(len(lst)):
sql = sql + "'{0[%s]}'," % i
sql = sql.strip(',') + ")"
return sql
sql_begin = """CREATE TABLE `%s` ( `id` int(11) NOT NULL AUTO_INCREMENT,""" % table_name
sql_end = """ PRIMARY KEY (`id`)
) ENGINE=%s AUTO_INCREMENT=0 DEFAULT CHARSET=%s;""" % (engine, charset)
sql_temp = " `%s` varchar(256) DEFAULT NULL,"
sql_temp_time = "`%s` datetime DEFAULT NULL,"
sql_temp_content = "`%s` text,"
sql_temp_sgin = "`%s` enum('0','1') DEFAULT '0',"
sql = str()
for item in lst:
# 生成新的数据表时 可根据item中的字段名称 来决定数据库中字段的类型
if "time" in item:
sql += sql_temp_time % item
elif "content" in item:
sql += sql_temp_content % item
elif "sgin" in item:
sql += sql_temp_sgin % item
else:
sql += sql_temp % (item)
sql = sql_begin + sql + sql_end
return sql
好了，这次就写到这里吧，如果之后对这个模块做大的更新或调整再说吧。 如果对以上代码有不懂之处，可以发送至邮件 xiang_long_liu@163.com，大家共同探讨吧。
结尾处付全部代码：
import requests, winreg, pymysql, re, json
from lxml import etree
from threading import Thread
import settings # 将服务器数据库等链接方式写入windows注册表中，然后再在该程序中读取出来
def read_setttings_zhuce(file, winn_c_u=winreg.HKEY_CURRENT_USER):
"""
读取注册表中的设置
"""
parentkey = winreg.OpenKey(winn_c_u, file)
# 获取该键的所有键值，因为没有方法可以获取键值的个数，所以只能用这种方法进行遍历
item = dict()
try:
i = 0
while True:
# EnumValue方法用来枚举键值，EnumKey用来枚举子键
name, value, type = winreg.EnumValue(parentkey, i)
# print(name, value)
item[name] = value
i += 1
except Exception as e:
pass
return item
class ALi_Main(Thread):
def read_setttings_zhuce(self, file, winn_c_u=winreg.HKEY_CURRENT_USER):
"""
读取注册表中的设置
"""
parentkey = winreg.OpenKey(winn_c_u, file)
# 获取该键的所有键值，因为没有方法可以获取键值的个数，所以只能用这种方法进行遍历
item = dict()
try:
i = 0
while True:
# EnumValue方法用来枚举键值，EnumKey用来枚举子键
name, value, type = winreg.EnumValue(parentkey, i)
item[name] = value
i += 1
except Exception as e:
pass
return item
def __init__(self, start_p):
# 注意，super().__init__() 一定要写
# 而且要写在最前面，否则会报错。
super().__init__()
self.item_fwq = self.read_setttings_zhuce("Software\lxl\lxl_program")
# 链接数据库
self.conn = pymysql.connect(
user=self.item_fwq["user"], password=self.item_fwq["password"], host=self.item_fwq["host"], port=int(self.item_fwq["port"]),
database=self.item_fwq["database"], use_unicode=True,
charset="utf8")
self.start_p = start_p
print("数据库开启中......")
# 获取游标
self.cursor = self.conn.cursor()
def main(self, url="https://www.baidu.com/", formdata={}, meta={}):
"""
开关
"""
response = self.url_f_requests(url, formdata)
if response != "无结果":
# 对返回的结果解码
response = self.response_decode(response)
print(response)
response, fangshi = self.t_f_response_json_html(response)
if fangshi is "json":
self.response_json(response, meta)
elif fangshi is "html":
self.response_html(response, meta)
else:
print(fangshi)
print("返回的页面数据有误请检查")
else:
print("数据无结果，未获取到")
def url_f_requests(self, url, formdata):
"""
get / post 请求发送
"""
if formdata == {}:
response = self.requests_url(url)
print("{INFO}:url以 get 方式请求")
# print(response)
else:
response = self.requests_url_post(url, formdata)
print("{INFO}:url以 post 方式请求")
# print(response)
return response
def t_f_response_json_html(self, response):
"""
判断返回的结果
"""
try:
response = json.loads(response)
print("{INFO}:数据以json格式返回")
return response, "json"
except Exception as f:
try:
response = etree.HTML(response)
print("{INFO}:数据以html格式返回")
return response, "html"
except Exception as f:
response = response
return response, "None"
def response_decode(self, response):
"""
对返回的结果解码
"""
try:
response = response.decode()
print("{INFO}:数据以utf-8解码")
except Exception as f:
try:
response = response.decode("GBK")
print("{INFO}:数据以 GBK 解码")
except Exception as f:
print("{INFO}:数据以未指定解码方式返回")
response = response
return response
def response_json(self, response, meta={}):
"""
json 格式解析
"""
list_data = response['result']['data']
for ds in list_data:
item = dict()
"""
此处可以对数据进行处理，若不需特殊处理的 则直接合并到item字典中，保存入数据库
列: item["pid] = ds['id']
"""
item = {**item, **meta}
where_list = ["pid"] # 此处添加mysql保存判断条件中查询的字段 可写多个字段
table_name = 'your_databases_tablename' # 此处添加你需要保存的数据表名称 注: 若没有新建数据表， 代码可自动建立新的数据表
self.mysql_f_item(item, table_name=table_name, where_list=where_list)
def response_html(self, response, meta={}):
"""
html 格式解析
"""
list_response = response.xpath('//div[@class="name"]')
for resp in list_response:
item = dict()
"""
此处可以对数据进行xpath解析处理，保存入数据库
列: item["pid] = resp.xpath('./a/@href')[0]
"""
print(item)
item = {**item, **meta}
where_list = ["pid"] # 此处添加mysql保存判断条件中查询的字段 可写多个字段
table_name = "your_databases_tablename" # 此处添加你需要保存的数据表名称 注: 若没有新建数据表， 代码可自动建立新的数据表
self.mysql_f_item(item, table_name, where_list=where_list)
def mysql_f_item(self, item, table_name="new_table_name", where_list=[]):
"""
保存创建mysql数据库
"""
lst = item.keys()
# print(lst)
insert_sql = self.create_insert_sql_for_list(table_name=table_name, lst=lst)
insert_sql = insert_sql.format(**item)
# print(insert_sql)
select_sql = self.create_select_sql(table_name=table_name, where_list=where_list)
select_sql = select_sql.format(**item)
# print(select_sql)
self.insert_mysql(insert_sql=insert_sql, select_sql=select_sql, table_name=table_name, lst=lst)
print("--------------------------------")
def create_insert_sql_for_list(self, table_name, lst, list_flag=False):
"""
动态生成sql文(单条)
:param table_name:表名
:param lst:插入的数据列表
:param list_flag: true：代表lst字段是 list嵌套list, false：代表list嵌套dict
:return:返回单条插入的sql
"""
sql = "insert into %s(" % table_name
for item in lst:
sql = sql + "`%s`," % item
sql = sql.strip(',') + ") values ("
if list_flag is False:
for item in lst:
sql = sql + "'{%s}'," % item
else:
for i in range(len(lst)):
sql = sql + "'{0[%s]}'," % i
sql = sql.strip(',') + ")"
return sql
def create_select_sql(self, table_name, where_list):
"""
动态生成sql文
"""
if where_list == []:
return ""
else:
sql = 'select id from %s where' % table_name
for i in range(len(where_list)):
sql = sql + " `%s` = '{%s}' and " % (where_list[i], where_list[i])
sql = sql.strip('and ')
# print(sql)
return sql
def create_table(self, table_name, lst, engine='MyISAM', charset='utf8'):
"""
生成建表sql
:param table_name:表名
:param lst:字段列表
:param engine:数据库类型
:param charset:字符集
:return:sql
"""
sql_begin = """CREATE TABLE `%s` ( `id` int(11) NOT NULL AUTO_INCREMENT,""" % table_name
sql_end = """ PRIMARY KEY (`id`)
) ENGINE=%s AUTO_INCREMENT=0 DEFAULT CHARSET=%s;""" % (engine, charset)
sql_temp = " `%s` varchar(256) DEFAULT NULL,"
sql_temp_time = "`%s` datetime DEFAULT NULL,"
sql_temp_content = "`%s` text,"
sql_temp_sgin = "`%s` enum('0','1') DEFAULT '0',"
sql = str()
for item in lst:
# 生成新的数据表时 可根据item中的字段名称 来决定数据库中字段的类型
if "time" in item:
sql += sql_temp_time % item
elif "content" in item:
sql += sql_temp_content % item
elif "sgin" in item:
sql += sql_temp_sgin % item
else:
sql += sql_temp % (item)
sql = sql_begin + sql + sql_end
return sql
def insert_mysql(self, insert_sql, select_sql='', update_sql='', table_name='', lst=()):
"""
保存数据
"""
while True:
# 获取游标
self.conn.ping(reconnect=True)
if select_sql:
try:
self.cursor.execute(select_sql)
if self.cursor.fetchone() is None:
print(insert_sql)
try:
self.cursor.execute(insert_sql)
self.conn.commit()
print("数据保存中......")
if update_sql:
self.cursor.execute(update_sql)
self.conn.commit()
print("数据更新中......")
break
except Exception as f:
# print(insert_sql)
print(f)
print("数据保存失败")
break
else:
print("数据已存在")
break
except Exception as f:
print(f)
# 首次执行 创建一个新的数据表
if "Table" in str(f) and "doesn't exist" in str(f):
print("*" * 100)
print("创建数据库中......")
sql = self.create_table(table_name=table_name, lst=lst)
self.cursor.execute(sql)
self.conn.commit()
else:
break
else:
try:
print(insert_sql)
print("数据保存中......")
self.cursor.execute(insert_sql)
self.conn.commit()
break
except Exception as f:
print(f)
# 首次执行 创建一个新的数据表
if "Table" in str(f) and "doesn't exist" in str(f):
print("*" * 100)
print("创建数据库中......")
sql = self.create_table(table_name=table_name, lst=lst)
self.cursor.execute(sql)
self.conn.commit()
else:
print("保存失败")
break
def getDropStr(self, l_strHtml):
"""清洗字符串"""
strList = re.findall(
r'[\u4e00-\u9fa5a-zA-Z0-9,.;?!_\]\'\"\[{}+-\u2014\u2026\uff1b\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]',
l_strHtml)
return "".join(strList)
def requests_url(self, url, data=None):
"""
发送请求，返回相应
"""
item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
# 读取实时写入windows注册表中的ip代理 本人喜欢使用无忧代理 不是打广告，而是品质确实好
proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
headers = {
"user-agent": item_fwq_ip['user_agent']
}
try:
response = requests.get(url=url, headers=headers, timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
i = 0
while True:
i += 1
if i >= 5:
return "无结果"
try:
response = requests.get(url=url, headers=headers, proxies=proxies, timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
def requests_url_post(self, url, data):
"""
发送请求，返回相应
"""
item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
# 读取实时写入windows注册表中的ip代理 本人喜欢使用无忧代理 不是打广告，而是品质确实好
proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
headers = {
"user-agent": item_fwq_ip['user_agent']
}
try:
response = requests.post(url=url, headers=headers, data=data,timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
i = 0
while True:
i += 1
if i >= 5:
return "无结果"
try:
response = requests.post(url=url, headers=headers, data=data, proxies=proxies, timeout=20).content
if response:
return response
except Exception as f:
print("重新请求")
def __del__(self):
self.cursor.close()
self.conn.close()
print("数据库关闭中......")
def main_thread(number_p):
"""
多线程启动
若使用多线程爬取是 将 main 函数改为 run 函数 传递参数控制url使用个数从而决定多线程条数
"""
print("多线程启动程序")
list_thread = list()
for p in range(0, number_p+1000, 1000):
thread = ALi_Main(p)
list_thread.append(thread)
for threads in list_thread:
threads.start()
for threads in list_thread:
threads.join()
if __name__ == '__main__':
# 初始化
# settings.main()
alm = ALi_Main(0)
meta = dict()
meta["key_name"] = "传值"
url = "https://search.sina.com.cn/?range=title&q=" + str(meta["key_name"]) + "&c=news&time=&ie=utf-8&col=&source=&from=&country=&size=&a=&page=1&pf=0&ps=0&dpc=1"
print(url)
alm.main(url=url, meta=meta)
扫一扫
700
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
