Spider爬虫
Posted FlowersandBoys
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Spider爬虫相关的知识,希望对你有一定的参考价值。
爬虫Spider
该爬虫分为两部分,分别为Spider.py和model.py
Spider.py
该文件主要业务逻辑是调用Selenium来通过自动化测试的方法实现模拟人的行为来对网页进行请求,并将请求到的HTML提取为文本,为后续的数据抽取做铺地。需要的第三方工具包Selenium,scrapy,time
spider.py具体实现
from selenium import webdriver # 使用chromedriver必需 from scrapy import Selector # 使用Selector import time # TimeSleep休眠 from Interests.models import * #表示models文件处于Interests文件夹下 from selenium.common.exceptions import * domin = "https://detail.zol.com.cn/motherboard" broswer = webdriver.Chrome(executable_path="C:\\MyApplications\\chromedriver.exe") url_list = [] # 设置列表用于存放product_url def Get_Url(): broswer.get(domin) sel = Selector(text=broswer.page_source) info = sel.xpath("//ul[@class=\'clearfix\']/li/a/@href").extract() for i in info: product_url = \'https://detail.zol.com.cn\' + i print(product_url) url_list.append(product_url) def Get_Info(): for a in url_list: broswer.get(a) detail = Selector(text=broswer.page_source) # 获取到单个商品的详情页面 name = detail.xpath("//h1/text()").extract()[0] core = detail.xpath("//ul/li[1]/p[1]/text()").extract()[0] radio_core = detail.xpath("//ul/li[1]/p[2]/text()").extract()[0] ram_type = detail.xpath("//ul/li[2]/p[1]/text()").extract()[0] max_ram = detail.xpath("//ul/li[2]/p[2]/text()").extract()[0] appear_size = detail.xpath("//ul/li[3]/p[1]/text()").extract()[0] broad_type = detail.xpath("//ul/li[3]/p[2]/text()").extract()[0] energy_socket = detail.xpath("//ul/li[4]/p[1]/text()").extract()[0] charge_mode = detail.xpath("//ul/li[4]/p[2]/text()").extract()[0] info = Info() info.name = name info.core = core info.radio_core = radio_core info.ram_type = ram_type info.max_ram = max_ram info.appear_size = appear_size info.broad_type = broad_type info.energy_socket = energy_socket info.charge_mode = charge_mode info.save(force_insert=True) if __name__ == "__main__": t1 = Get_Url() t2 = Get_Info() time.sleep(3) t1.start() t2.start()
models.py
models.py的主要功能是链接数据库,但是数据库中的表格不必是提前建立好的。通过peewee第三方工具包创建一个指定数据库的基础模型类。其指定数据库中数据类型可以为CharField,TextField,DateField等。
models具体代码实现
from peewee import * db = MySQLDatabase("demo", host="127.0.0.1", port=3306, user="root", password="123456") # 创建一个指定数据库的基础模型类。 # 定义一个建立数据库连接的基础模型类,这样就不必为后续模型指定数据库 class BaseModel(Model): class Meta: database = db class Info(BaseModel): name = CharField() core = CharField() radio_core = TextField() ram_type = TextField() max_ram = CharField() appear_size = TextField() broad_type = TextField() energy_socket = TextField() charge_mode = TextField() if __name__ == "__main__": db.create_tables([Info])
爬虫框架Scrapy之Spider
Spider
Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说,Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。
class scrapy.Spider
是最基本的类,所有编写的爬虫必须继承这个类。
主要用到的函数及调用顺序为:
__init__()
: 初始化爬虫名字和start_urls列表
start_requests() 调用make_requests_from url()
:生成Requests对象交给Scrapy下载并返回response
parse()
: 解析response,并返回Item或Requests(需指定回调函数)。Item传给Item pipline持久化 , 而Requests交由Scrapy下载,并由指定的回调函数处理(默认parse()),一直进行循环,直到处理完所有的数据为止。
源码参考
#所有爬虫的基类,用户定义的爬虫必须从这个类继承
class Spider(object_ref):
#定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider,所以其必须是唯一的。
#name是spider最重要的属性,而且是必须的。
#一般做法是以该网站(domain)(加或不加 后缀 )来命名spider。 例如,如果spider爬取 mywebsite.com ,该spider通常会被命名为 mywebsite
name = None
#初始化,提取爬虫名字,start_ruls
def __init__(self, name=None, **kwargs):
if name is not None:
self.name = name
# 如果爬虫没有名字,中断后续操作则报错
elif not getattr(self, ‘name‘, None):
raise ValueError("%s must have a name" % type(self).__name__)
# python 对象或类型通过内置成员__dict__来存储成员信息
self.__dict__.update(kwargs)
#URL列表。当没有指定的URL时,spider将从该列表中开始进行爬取。 因此,第一个被获取到的页面的URL将是该列表之一。 后续的URL将会从获取到的数据中提取。
if not hasattr(self, ‘start_urls‘):
self.start_urls = []
# 打印Scrapy执行后的log信息
def log(self, message, level=log.DEBUG, **kw):
log.msg(message, spider=self, level=level, **kw)
# 判断对象object的属性是否存在,不存在做断言处理
def set_crawler(self, crawler):
assert not hasattr(self, ‘_crawler‘), "Spider already bounded to %s" % crawler
self._crawler = crawler
@property
def crawler(self):
assert hasattr(self, ‘_crawler‘), "Spider not bounded to any crawler"
return self._crawler
@property
def settings(self):
return self.crawler.settings
#该方法将读取start_urls内的地址,并为每一个地址生成一个Request对象,交给Scrapy下载并返回Response
#该方法仅调用一次
def start_requests(self):
for url in self.start_urls:
yield self.make_requests_from_url(url)
#start_requests()中调用,实际生成Request的函数。
#Request对象默认的回调函数为parse(),提交的方式为get
def make_requests_from_url(self, url):
return Request(url, dont_filter=True)
#默认的Request对象回调函数,处理返回的response。
#生成Item或者Request对象。用户必须实现这个类
def parse(self, response):
raise NotImplementedError
@classmethod
def handles_request(cls, request):
return url_is_from_spider(request.url, cls)
def __str__(self):
return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self))
__repr__ = __str__
主要属性和方法
-
name
定义spider名字的字符串。
例如,如果spider爬取 mywebsite.com ,该spider通常会被命名为 mywebsite
-
allowed_domains
包含了spider允许爬取的域名(domain)的列表,可选。
-
start_urls
初始URL元祖/列表。当没有制定特定的URL时,spider将从该列表中开始进行爬取。
-
start_requests(self)
该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取(默认实现是使用 start_urls 的url)的第一个Request。
当spider启动爬取并且未指定start_urls时,该方法被调用。
-
parse(self, response)
当请求url返回网页没有指定回调函数时,默认的Request对象回调函数。用来处理网页返回的response,以及生成Item或者Request对象。
-
log(self, message[, level, component])
使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging
案例:腾讯招聘网自动翻页采集
- 创建一个新的爬虫:
scrapy genspider tencent "tencent.com"
- 编写items.py
获取职位名称、详细信息、
class TencentItem(scrapy.Item):
name = scrapy.Field()
detailLink = scrapy.Field()
positionInfo = scrapy.Field()
peopleNumber = scrapy.Field()
workLocation = scrapy.Field()
publishTime = scrapy.Field()
- 编写tencent.py
# tencent.py
from mySpider.items import TencentItem
import scrapy
import re
class TencentSpider(scrapy.Spider):
name = "tencent"
allowed_domains = ["hr.tencent.com"]
start_urls = [
"http://hr.tencent.com/position.php?&start=0#a"
]
def parse(self, response):
for each in response.xpath(‘//*[@class="even"]‘):
item = TencentItem()
name = each.xpath(‘./td[1]/a/text()‘).extract()[0]
detailLink = each.xpath(‘./td[1]/a/@href‘).extract()[0]
positionInfo = each.xpath(‘./td[2]/text()‘).extract()[0]
peopleNumber = each.xpath(‘./td[3]/text()‘).extract()[0]
workLocation = each.xpath(‘./td[4]/text()‘).extract()[0]
publishTime = each.xpath(‘./td[5]/text()‘).extract()[0]
#print name, detailLink, catalog, peopleNumber, workLocation,publishTime
item[‘name‘] = name.encode(‘utf-8‘)
item[‘detailLink‘] = detailLink.encode(‘utf-8‘)
item[‘positionInfo‘] = positionInfo.encode(‘utf-8‘)
item[‘peopleNumber‘] = peopleNumber.encode(‘utf-8‘)
item[‘workLocation‘] = workLocation.encode(‘utf-8‘)
item[‘publishTime‘] = publishTime.encode(‘utf-8‘)
curpage = re.search(‘(\d+)‘,response.url).group(1)
page = int(curpage) + 10
url = re.sub(‘\d+‘, str(page), response.url)
# 发送新的url请求加入待爬队列,并调用回调函数 self.parse
yield scrapy.Request(url, callback = self.parse)
# 将获取的数据交给pipeline
yield item
- 编写pipeline.py文件
import json
#class ItcastJsonPipeline(object):
class TencentJsonPipeline(object):
def __init__(self):
#self.file = open(‘teacher.json‘, ‘wb‘)
self.file = open(‘tencent.json‘, ‘wb‘)
def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()
- 在 setting.py 里设置ITEM_PIPELINES
ITEM_PIPELINES = {
#‘mySpider.pipelines.SomePipeline‘: 300,
#"mySpider.pipelines.ItcastJsonPipeline":300
"mySpider.pipelines.TencentJsonPipeline":300
}
- 执行爬虫:
scrapy crawl tencent
思考
请思考 parse()方法的工作机制:
1. 因为使用的yield,而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果,并判断该结果是一个什么样的类型;
2. 如果是request则加入爬取队列,如果是item类型则使用pipeline处理,其他类型则返回错误信息。
3. scrapy取到第一部分的request不会立马就去发送这个request,只是把这个request放到队列里,然后接着从生成器里获取;
4. 取尽第一部分的request,然后再获取第二部分的item,取到item了,就会放到对应的pipeline里处理;
5. parse()方法作为回调函数(callback)赋值给了Request,指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)
6. Request对象经过调度,执行生成 scrapy.http.response()的响应对象,并送回给parse()方法,直到调度器中没有Request(递归的思路)
7. 取尽之后,parse()工作结束,引擎再根据队列和pipelines中的内容去执行相应的操作;
8. 程序在取得各个页面的items前,会先处理完之前所有的request队列里的请求,然后再提取items。
7. 这一切的一切,Scrapy引擎和调度器将负责到底。
以上是关于Spider爬虫的主要内容,如果未能解决你的问题,请参考以下文章