Spider爬虫

Posted 2023-04-13 FlowersandBoys

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。