UA伪装:
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
- scrapy如何进行图片数据爬取
- 在爬虫文件中解析出图片地址+图片名称封装到item对象提交给管道
- 在管道文件中:
- from scrapy.pipelines.images import ImagesPipeline
- 封装一个管道类,继承与ImagesPipeline
- 重写父类的三个方法:
- get_media_requests
- file_path:只需要返回图片名称
- item_completed
- 在配置文件中添加如下配置:
- IMAGES_STORE = '文件夹路径'
- scrapy如何实现深度爬取:请求传参
- 什么叫深度爬取:
- 爬取的数据没有存在于同一张页面
- 请求传参:
- 在手动请求发送的时候可以通过meta参数将meta表示的字典传递给callback
- 在callback通过response.meta的形式接收传递过来的meta就可以了
- 可以实现让不同的解析方法共享同一个item对象
- scrapy核心组件
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。
- scrapy的中间件
- 爬虫中间件
- 下载中间件(*)
- 作用:可以批量拦截框架中发起的所有请求和响应
- 拦截请求干什么
- 请求头的篡改
- UA
- 给请求设置代理
- 写在process_exception:
- request.meta['proxy'] = 'http://ip:port'
- 拦截响应干什么
- 为了篡改响应数据
- 我们请求到的一组不符合需求响应数据,我们就需要将响应进行拦截,将不满足
需求的响应数据篡改为满足需求响应数据。
- CrawlSpider
- 分布式
- 增量式
settings.py 文件夹配置
IMAGES_STORE = './imgLibs'
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# class XiaohuaproPipeline:
# def process_item(self, item, spider):
# return item
import scrapy
from scrapy.pipelines.images import ImagesPipeline
class XiaohuaproPipeline(ImagesPipeline):
#对图片数据进行请求发送
#该方法参数item就是接受爬虫文件提交过来的item
def get_media_requests(self, item, info):
#meta可以将字典传递给file_path方法
yield scrapy.Request(item['img_src'],meta={'item':item})
#指定图片存储的路径
def file_path(self, request, response=None, info=None):
#如何获取图片名称
item = request.meta['item']
img_name = item['img_name']
return img_name
#可以将item 传递给下一个即将被执行的管道类
def item_completed(self, results, item, info):
return item