Python爬虫总结
总的来说,Python爬虫所做的事情分为两个部分,1:将网页的内容全部抓取下来,2:对抓取到的内容和进行解析,得到我们需要的信息。
目前公认比较好用的爬虫框架为Scrapy,而且直接使用框架比自己使用requests、 beautifulsoup、 re包编写爬虫更加方便简单。
1、关于Scrapy框架
简介: Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
官方文档地址 : http://scrapy-chs.readthedocs.io/zh_CN/1.0/index.html
Scrapy安装 : pip install Scrapy
创建Scrapy项目 : scrapy startproject scrapyspider(projectname)
该命令创建包涵下列内容的目录:
这些文件分别是:
- scrapy.cfg: 项目的配置文件。
- scrapyspider/: 该项目的python模块。之后您将在此加入代码。
- scrapyspider/items.py: 项目中的item文件。
- scrapyspider/pipelines.py: 项目中的pipelines文件,用来执行保存数据的操作。
- scrapyspider/settings.py: 项目的设置文件。
- scrapyspider/spiders/: 放置爬虫代码的目录。
编写爬虫:以爬取豆瓣电影TOP250为例展示一个完整但简单的Scrapy爬虫的流程
- 首先,在items.py文件中声明需要提取的数据,Item 对象是种简单的容器,保 存了爬取到得数据。 其提供了 类似于词典(dictionary-like) 的API以及用于声明可 用字段的简单语法。许多Scrapy组件使用了Item提供的额外信息: exporter根据 Item声明的字段来导出 数据、 序列化可以通过Item字段的元数据(metadata) 来 定义、trackref 追踪Item 实例来帮助寻找内存泄露 (see 使用 trackref 调试内 存泄露) 等等。
- Item使用简单的class定义语法以及Field对象来声明。我们打开scrapyspider目录下的items.py文件写入下列代码声明Item:
为了创建一个爬虫,首先需要继承scrapy.Spider类,定义以下三个属性:
1、name : 用于区别不同的爬虫,名字必须是唯一的。
2、start_urls: 包含了Spider在启动时进行爬取的url列表。
3、parse() 是spider的一个函数。 被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数,然后解析提取数据。
在scrapyspider/spiders目录下创建douban_spider.py文件,并写入初步的代码:
from scrapy import Request
from scrapy.spiders import Spider
from scrapyspider.items import DoubanMovieItem
class DoubanMovieTop250Spider(Spider):
name = ‘douban_movie_top250‘
headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36‘,}#设置请求头文件,模拟浏览器访问(涉及反爬机制)
def start_requests(self):#该函数定义需要爬取的初始链接并下载网页内容
url = ‘https://movie.douban.com/top250‘
yield Request(url, headers=self.headers)
def parse(self, response):
item = DoubanMovieItem()
movies = response.xpath(‘//ol[@class="grid_view"]/li‘) #使用xpath对下载到的网页源码进行解析
for movie in movies:
item[‘ranking‘] = movie.xpath(
‘.//div[@class="pic"]/em/text()‘).extract()[0]
item[‘movie_name‘] = movie.xpath(
‘.//div[@class="hd"]/a/span[1]/text()‘).extract()[0]
item[‘score‘] = movie.xpath(
‘.//div[@class="star"]/span[@class="rating_num"]/text()‘
).extract()[0]
item[‘score_num‘] = movie.xpath(
‘.//div[@class="star"]/span/text()‘).re(ur‘(d+)人评价‘)[0]
yield item
next_url = response.xpath(‘//span[@class="next"]/a/@href‘).extract() #解析得到下一页的链接
if next_url:
next_url = ‘https://movie.douban.com/top250‘ + next_url[0]
yield Request(next_url, headers=self.headers) #下载下一页的网页内容
运行爬虫: 在项目文件夹内打开cmd运行下列命令:
此处的douban_movie_top250即为我们刚刚写的爬虫的name, 而-o douban.csv是scrapy提供的功能,将item输出为csv格式的文件,存储到douban.csv中。
得到数据:
到此我们已经可以解决一般普通网站的抓取任务,普通网站是指网页源码之中包含了所有我们想要抓取的内容,但是有的时候一些网站采用了Ajax异步加载的方法,导致以上介绍的方法无法使用。
2、关于抓取Ajax异步加载的网站
Ajax是什么:
AJAX即“Asynchronous javascript And XML”(异步JavaScript和XML),是指一种创建交互式网页应用的网页开发技术。
通过在后台与服务器进行少量数据交换,AJAX 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下,对网页的某部分进行更新。
通过Ajax异步加载的网页内容在网页源码中是没有的,也就是之前介绍的方法中下载到的response中是解析不到我们想要的内容的。
如何抓取AJAX异步加载页面:
对于这类网页,我们一般采用两种方法:
1、通过抓包找到异步加载请求的真正地址
2、通过PhantomJS等无头浏览器执行JS代码后再抓取
但是通常采取第一种方法,因为第二种方法使用无头浏览器会大大降低抓取的效率。
异步加载网站抓取示例 :
使用豆瓣电影分类排行榜作为抓取示例,链接为
https://movie.douban.com/typerank?type_name=%E5%8A%A8%E4%BD%9C&type=5&interval_id=100:90&action=
电影信息网页源码中没有,并且采用鼠标下拉更新页面,这时需要我们在需要抓取的页面打开Chrome的开发者工具,选择network,实现一次下拉刷新
发现新增了一个get请求,并且响应为JSON格式。观察JSON的内容,发现正是需要抓取的内容。
抓取内容的问题解决了,接下来处理多页抓取问题,因为请求为get形式,所以首先进行几次下拉刷新,观察请求链接的变化,会发现请求的地址中只有start的值在变化,并且每次刷新增加20,其他都不变,所以我们更改这个参数就可以实现翻页。
由于之前已经在items.py中对需要抓取的数据做了声明,所以只需要在scraoyspider/spiders目录下创建一个新的爬虫文件douban_actions.py,代码如下:
import re
import json
from scrapy import Request
from scrapy.spiders import Spider
from scrapyspider.items import DoubanMovieItem
class DoubanAJAXSpider(Spider):
name = ‘douban_ajax‘ #设置爬虫名字为douban_ajax
headers = {
‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36‘,
} #设置请求头文件,模拟浏览器访问(涉及反爬机制)
def start_requests(self):
url = ‘https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start =0&limit=20‘
yield Request(url, headers=self.headers)
def parse(self, response):
datas = json.loads(response.body)#将Json格式数据处理为字典类型
item = DoubanMovieItem()
if datas:
for data in datas:
item[‘ranking‘] = data[‘rank‘]
item[‘movie_name‘] = data[‘title‘]
item[‘score‘] = data[‘score‘]
item[‘score_num‘] = data[‘vote_count‘]
yield item
# 如果datas存在数据则对下一页进行采集
page_num = re.search(r‘start=(d+)‘, response.url).group(1)
page_num = ‘start=‘ + str(int(page_num)+20)
next_url = re.sub(r‘start=d+‘, page_num, response.url)
#处理链接
yield Request(next_url, headers=self.headers)
#请求下一页
运行爬虫 :
scrapy crawl douban_ajax -o douban_movie.csv
然而,很多时候ajax请求都会经过后端鉴权,不能直接构造URL获取。这时就可以通过PhantomJS、chromedriver等配合Selenium模拟浏览器动作,抓取经过js渲染后的页面。
使用这种方法有时会遇到定位网页页面元素定位不准的情况,这时就要注意网页中的frame标签,frame标签有frameset、frame、iframe三种,frameset跟其他普通标签没有区别,不会影响到正常的定位,而frame与iframe对selenium定位而言是一样的,需要进行frame的跳转。(这两点暂不展开,在抓取中财网—数据引擎网站时就遇到此类问题)
彩蛋:
两个提高效率的Chrome插件:
Toggle JavaScript (检测网页哪些内容使用了异步加载)
JSON-handle (格式化Json串)
3、关于突破爬虫反爬机制
目前使用到的反反爬手段主要有三个:
1、在请求之间设置延时,限制请求速度。(使用python time库)
2、在每次请求时都随机使用用户代理User-Agent,为了方便,在scrapy框架中,可以使用fake-useragent这个开源库。
Github地址:https://github.com/hellysmile/fake-useragent
3、使用高匿代理ip,同样为了方便,在scrapy框架中编写爬虫,建议使用开源库 scrapy-proxies。
Github地址:https://github.com/aivarsk/scrapy-proxies
参考内容地址:https://zhuanlan.zhihu.com/p/24769534