路飞学成-Python爬虫实战密训-第3章

Posted 2020-12-03 iamdi

1，本节学习体会、心得 ：

　　本章的内容非常多，scrapy框架的使用。对于学过django的人来说。可能要更好理解一些把。个人感觉还是挺简单的。所有的知识点一听就懂，唯一不好的就是时间太紧迫了，不的不快速观看，只能等以后拐回来再细细品味了。本章的难点再下载中间件，实际上跟django差不多，但是仍然需要认真听才能听懂，而且要结合自己敲代码联系。这样就能够很好掌握了。其它的应用方面就简单多了，可以快速浏览，知道功能和使用方法，联系的时候可以随时翻笔记完成。对与时间紧迫的小伙伴们来说，还是挑重点学习更好

2，本节的知识点总结:　 　　

总结：
1. 安装scrapy    

linux安装
  pip3 install scrapy

windows安装
    pip3 install wheel
 下载twisted  http://www.lfb.uci.edu/~gohlke/pythonlibs/#twisted
    pip3 install Twisted-18.4.0-cp36-cp36m-win_amd64.whl
安装scrapy 
    Pip3 install scrapy 
安装pywin32 
Pip3 install pywin32 

2. scarpy 的基本使用

创建project
        scrapy startproject day710    #创建一个项目
        d day 710   #进入项目目录
        scrapy genspider example example.com      创建要爬取的网站的文件
        scrapy crawl chouti   --nolog     # 运行起来
设置初始url（默认设置好的）
　　    response.text 就是爬取到的内容 然后进行解析

from scrapy.selector import HtmlXPathSelector #导入内部解析器

解析：
	标签对象：xpath(‘/html/body/url/li/a/@href‘)
	列表：          xpathe(‘/html/body/url/li/a/@href‘).extract()
值：            xpathe(‘/html/body/url/li/a/@href‘).extract_first()

3. 爬虫的的架构

 

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

4.post/请求头/cookie  去重  中间件

	post/请求头/cookie
		自动登陆抽屉
			先访问一个页面 拿到cookie
			原始的cookie
			print(response.headers.getlist(‘Set-Cookie‘))
			
			解析的cookie
			Cookie = cookieJar()
			cookie.extract_cookies(response,response.request)
			cookie_dic={}
			fork,vincookie._cookies.items():
			fori,jinv.items():
			form,ninj.items():
			self.cookie_dic[m]=n.value
			print(self.cookie_dic)
			
			req=Request(
				url=‘http://dig.chouti.com/login‘,
				method=‘POST‘,
				headers={‘Content-Type‘:‘application/x-www-form-urlencoded;charset=UTF-8‘},
				body=‘phone=8613503851931&password=abc1234&oneMonth=1‘,
				cookies=self.cookie_dic,
				callback=self.parse_check,
			)
			yieldreq
			
	利用meta={‘cookiejar‘:True} 自动操作cookie
		defstart_requests(self):
		forurlinself.start_urls:
		yieldRequest(url=url,callback=self.parse_index,meta={‘cookiejar‘:True})
		
		
		req=Request(
			url=‘http://dig.chouti.com/login‘,
			method=‘POST‘,
			headers={‘Content-Type‘:‘application/x-www-form-urlencoded;charset=UTF-8‘},
			body=‘phone=8613503851931&password=abc1234&oneMonth=1‘,
			meta={‘cookiejar‘:True}，
			callback=self.parse_check,
		)
		Yield req
	开启关闭cookie 配置文件里
	
		#COOKIES_ENABLED=False
		
		
避免重复访问
	scrapy默认使用 scrapy.dupefilter.RFPDupeFilter 进行去重，相关配置有：
	1	DUPEFILTER_CLASS = ‘scrapy.dupefilter.RFPDupeFilter‘
	2	DUPEFILTER_DEBUG = False
	3	JOBDIR = "保存范文记录的日志路径，如：/root/"  # 最终路径为 /root/requests.seen
	
	来自 <http://www.cnblogs.com/wupeiqi/articles/6229292.html> 
	
中间件
	对所有请求在请求的时候自动添加请求头
	
	配置
	DOWNLOADER_MIDDLEWARES={
	‘day710.middlewares.Day710DownloaderMiddleware‘:543,
	}

　　先写这么多 待更新