教你用python爬虫框架Scrapy爬取一大波妹子

Posted python

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了教你用python爬虫框架Scrapy爬取一大波妹子相关的知识,希望对你有一定的参考价值。

Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。

Scratch,是抓取的意思,这个Python的爬虫框架叫Scrapy,大概也是这个意思吧,就叫它:小刮刮吧。

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:

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取

  2. 引擎把URL封装成一个请求(Request)传给下载器

  3. 下载器把资源下载下来,并封装成应答包(Response)

  4. 爬虫解析Response

  5. 解析出实体(Item),则交给实体管道进行进一步的处理

  6. 解析出的是链接(URL),则把URL交给调度器等待抓取

一、安装

因为python3并不能完全支持Scrapy,因此为了完美运行Scrapy,我们使用python2.7来编写和运行Scrapy。

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/

其它可能依赖的安装包:lxml-3.6.4-cp27-cp27m-win_amd64.whl,VCForPython27.msi百度下载即可

二、基本使用

1、创建项目

运行命令:

scrapy startproject p1your_project_name)


2.自动创建目录的结果:

教你用python爬虫框架Scrapy爬取一大波妹子【1】


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

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

教你用python爬虫框架Scrapy爬取一大波妹子【1】
示例代码:


#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "xiaohuar"

    allowed_domains = ["xiaohuar.com"]

    start_urls = [

        "http://www.xiaohuar.com/hua/",

    ]

    def parse(self, response):

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

        current_url = response.url #爬取时请求的url

        body = response.body  #返回的html

        unicode_body = response.body_as_unicode()#返回的html unicode编码


备注:

  • 1.爬虫文件需要定义一个类,并继承scrapy.spiders.Spider

  • 2.必须定义name,即爬虫名,如果没有name,会报错。因为源码中是这样定义的:

教你用python爬虫框架Scrapy爬取一大波妹子【1】

  • 3.编写函数parse,这里需要注意的是,该函数名不能改变,因为Scrapy源码中默认callback函数的函数名就是parse;

  • 4.定义需要爬取的url,放在列表中,因为可以爬取多个url,Scrapy源码是一个For循环,从上到下爬取这些url,使用生成器迭代将url发送给下载器下载url的html。源码截图:

教你用python爬虫框架Scrapy爬取一大波妹子【1】


4、运行

进入p1目录,运行命令

scrapy crawl xiaohau --nolog


格式:scrapy crawl+爬虫名  –nolog即不显示日志

5.scrapy查询语法:

当我们爬取大量的网页,如果自己写正则匹配,会很麻烦,也很浪费时间,令人欣慰的是,scrapy内部支持更简单的查询语法,帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍:

  • 查询子子孙孙中的某个标签(以div标签为例)://div

  • 查询儿子中的某个标签(以div标签为例):/div

  • 查询标签中带有某个class属性的标签://div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签

  • 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签://div[@class=’c1′][@name=’alex’]

  • 查询某个标签的文本内容://div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容

  • 查询某个属性的值(例如查询a标签的href属性)://a/@href

示例代码:

def parse(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)#创建查询对象

       # 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): #如果url能够匹配到需要爬取的url,即本站url

           items = hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填写查询目标,按scrapy查询语法书写

           for i in range(len(items)):

               name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容,即校花姓名

               school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花学校

               if src:

                   ab_src = "http://www.xiaohuar.com" + src[0]#相对路径拼接

                   file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名,因为python27默认编码格式是unicode编码,因此我们需要编码成utf-8

                   file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)

                   urllib.urlretrieve(ab_src, file_path)


注:urllib.urlretrieve(ab_src, file_path) ,接收文件路径和需要保存的路径,会自动去文件路径下载并保存到我们指定的本地路径。

5.递归爬取网页

上述代码仅仅实现了一个url的爬取,如果该url的爬取的内容中包含了其他url,而我们也想对其进行爬取,那么如何实现递归爬取网页呢?

示例代码:

# 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 in all_urls:

            if url.startswith('http://www.xiaohuar.com/list-1-'):

                yield Request(url, callback=self.parse)

即通过yield生成器向每一个url发送request请求,并执行返回函数parse,从而递归获取校花图片和校花姓名学校等信息。

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

6.scrapy查询语法中的正则:

from scrapy.selector import Selector

from scrapy.http import HtmlResponse

html = """<!DOCTYPE html>

<html>

<head lang="en">

    <meta charset="UTF-8">

    <title></title>

</head>

<body>

    <li class="item-"><a href="link.html">first item</a></li>

    <li class="item-0"><a href="link1.html">first item</a></li>

    <li class="item-1"><a href="link2.html">second item</a></li>

</body>

</html>

"""

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)

  • 语法规则:Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract(),即根据re正则匹配,test即匹配,属性名是class,匹配的正则表达式是”item-d*”,然后获取该标签的href属性。

#!/usr/bin/env python

# -*- coding:utf-8 -*-

 

import scrapy

import hashlib

from tutorial.items import JinLuoSiItem

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

 

 

class JinLuoSiSpider(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==",

    ]

 

    def parse(self, response):

        md5_obj = hashlib.md5()

        md5_obj.update(response.url)

        md5_url = md5_obj.hexdigest()

        if md5_url in JinLuoSiSpider.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<qq>\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_list

                yield item

 

            current_page_urls = hxs.select('//a/@href').extract()

            for i in range(len(current_page_urls)):

                url = current_page_urls[i]

                if url.startswith('http://www.jluosi.com'):

                    url_ab = url

                    yield Request(url_ab, callback=self.parse)

 

选择器规则Demo

 

选择器规则Demo

选择器规则Demo

def parse(self, response):

    from scrapy.http.cookies import CookieJar

    cookieJar = CookieJar()

    cookieJar.extract_cookies(response, response.request)

    print(cookieJar._cookies)


获取响应cookie

更多选择器规则:http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html







python学习资料交流群:547464842  每天会更新视频资料,随时可以下载。




以上是关于教你用python爬虫框架Scrapy爬取一大波妹子的主要内容,如果未能解决你的问题,请参考以下文章

转载教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

教你分分钟学会用 python 爬虫框架 Scrapy 爬取心目中的女神

今天大佬教你用python爬虫简单代码爬取图片,赶紧收藏!!!

通过更改scrapy源码进行spider分发实现一个综合爬虫

教你用python实现34行代码爬取东方财富网信息,爬虫之路,永无止境!!