scrapy 资料

Posted 2021-02-04 zbllly

 

 

先看看scrapy的框架流程，

1，安装 scrapy https://www.cnblogs.com/zbllly/p/10294223.html 查看即可。

2，新建scrapy项目

scrapy startproject 项目名

目录结构图

3，cd到项目名下,创建任务。

scrapy genspider 爬虫名 www.baidu.com(网站网址)

参数解析：

name,
定义spider的名字的字符串，必须是唯一的，name是spider的最重要的属性，而且是必须的
allowed_domains
可选，包含spider允许爬取的域名的列表，当offsiterMiddleware启用时，域名不在列表的url不会被跟进
start_urls 
url列表，spider从该列表中开始进行爬取。 （列表生成式也可以实现分页抓取）
start_requests
该方必须返回一个可迭代的对象，对象中包含了spider用于爬取的第一个request.（加for循环，实现翻页抓取）

注：然后去setting里将  ROBOTSTXT_OBEY = False  （不遵循网站的robots协议）

 

 4，在项目的根目录下新建run.py 运行脚本，注意是根目录

from scrapy.cmdline import execute
execute([‘scrapy‘,‘crawl‘,‘lianxi‘])

我们的爬虫项目到此也就配置完毕，下面我来说一下setting里的配置说明

DOWNLOAD_DELAY = 2-----------设置爬取间隔
DEFAULT_REQUEST_HEADERS-----------设置头信息
ROBOTSTXT_OBEY = True-----------如果启用,Scrapy将会采用 robots.txt策略
AUTOTHROTTLE_START_DELAY = 5----------开始下载时限速并延迟时间
AUTOTHROTTLE_MAX_DELAY = 60------------高并发请求时最大延迟时间
CONCURRENT_REQUESTS = 16-----------开启线程数量，默认16

setting中可以设置全局请求头信息，

当然在我们的爬虫程序中也可以，不过需要注意cookies的格式，

cookies = {‘Hm_ct_6bcd52f51e9b3dce32bec4a3997715ac‘: ‘1788*1*PC_VC‘,...... }  注意是键值对的形式

cookies 字符串转换为字典，

keys = [i.split(‘=‘,1)[0] for i in cookie.split(‘; ‘)]
values = [i.split(‘=‘,1)[1] for i in cookie.split(‘; ‘)]
res = dict(zip(keys,values))
print(res)

我们再来看看response的几个方法 

url (string) – 这个响应的URL
headers (dict) – 这个响应的标题。字典值可以是字符串（对于单值标题）或列表（对于多值标题）。
status (integer) –  响应的HTTP状态。默认为200。
body (str) – 响应身体。它必须是str，而不是unicode，除非你使用了一个编码感知的Response子类，比如 TextResponse。
text 返回响应str

5，解析工具

1）然后我们再来看一下scrapy为我们封装的 css解析工具。

response.css(‘.text::text‘).extract()

这里为提取所有带有class=’text’ 这个属性的元素里面的text返回的是一个列表

response.css(‘.text::text‘).extract_first()

这是取第一条，返回的是str

print(response.css("div span::attr(class)").extract())

这是取元素属性

举例：

我来解析一下，在浏览器中我们获取到需要的标签，然后 遍历取到我们需要的标签内容以及它的href属性，注意写法。

css 查询集

2）xpath方法，这种解析方法我们会常用的，我们接着看

url = response.url+response.xpath(‘/html/body/div/div[2]/div[1]/div[1]/div/a[1]/@href‘).extract_first()

和原来用法基本一样，这里是获取一个url 然后跟网站的主url拼接了

print(response.xpath("//a[@class=‘tag‘]/text()").extract())

https://blog.csdn.net/gongbing798930123/article/details/78955597  这个网址上是xpath语法大全，我这里就不在多说。

3）当然，scrapy还为我们封装了re模块

>>> response.xpath("//span[contains(@class, ‘bookmark-btn‘)]/text()").re(‘.*?(d+).*‘)
[‘28‘]
>>> response.xpath("//span[contains(@class, ‘bookmark-btn‘)]/text()").re(‘.*?(d+).*‘)[0]
‘28‘

不过，我更习惯用原生的re。

extract()解析：

1）extract()方法会把原数据的selector类型转变为列表类型
2）extract()会得到多个值，extract()[1]取第2个值
3）extract_first()得到第一个值，类型为字符串。extract_first(default=‘‘)如果没取到返回默认值

6，给Scrapy添加代理

给请求添加代理有2种方式，第一种重写start_request方法，第二种是添加download中间件。

第一种：

 def start_requests(self):
        start_url = ‘http://httpbin.org/get‘
        yield scrapy.Request(start_url,self.parse01,meta={‘proxy‘: ‘http://113.128.24.29:22121‘})

只是在meta中加了一个proxy代理。然后可以测试了，我们通过抓取这个网站就可以返回我们的请求的信息，如：

第二种：

1.在middlewares.py中增加一个类，取名：ProxyMiddleware即代理中间件：

class ProxyMiddleware():
    def process_request(self, request, spider):
        request.meta[‘proxy‘] = ‘http://114.230.126.173:41472‘

当然这里还可以设置请求头：

class AgantMiddleware(object):
    def __init__(self):
        self.user_agent = [‘Mozilla/5.0 (Windows NT 10.0; WOW64; rv:58.0) Gecko/20100101 Firefox/58.0‘，、、、、、、]
    def process_request(self,request,spider):
        request.headers[‘User-Agent‘] = random.choice(self.user_agent)

然后在 setting中开启中间件：

DOWNLOADER_MIDDLEWARES = {
   # ‘test01.middlewares.Test01DownloaderMiddleware‘: 543,
   ‘test01.middlewares.ProxyMiddleware‘: 543,
}

优先级随意，只要不重复即可，这是设置全局代理ip

7，POST请求

from scrapy import FormRequest ##Scrapy中用作登录使用的一个包
formdata = {
    ‘username‘: ‘wangshang‘,
    ‘password‘: ‘a706486‘
}
yield scrapy.FormRequest(
    url=‘http://172.16.10.119:8080/bwie/login.do‘,
    formdata=formdata,
    callback=self.after_login,
)

 8，meta（）传参用法，

假如需要从上一个函数传入下一个参数，我们需要。

上个函数中：

yield scrapy.Request(url,self.detail,meta={‘title‘:title,‘summary‘:summary,‘views‘}）

下一个函数中：

response.meta[‘title‘]   

接收就可以、

9，爬取信息储存

在item.py里定义需要储存字段。

class CsdnItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    summary = scrapy.Field()
    views = scrapy.Field()
    commits = scrapy.Field()

在爬虫程序中，

from ..items import CsdnItem

def detail(self,response):
     item = CsdnItem()
     item[‘title‘] = response.meta[‘title‘]
     item[‘summary‘] = re.sub(r‘s+‘,‘‘,response.meta[‘summary‘])
     item[‘views‘] = response.meta[‘views‘]
     
     return item

在piplines里，

class Test01Pipeline(object):
    def process_item(self, item, spider):
            
        title = item[‘title‘]
        summary = item[‘summary‘]
        views = item[‘views‘]
　　　　 return item  

注：注释需打开

ITEM_PIPELINES = {
   ‘csdn.pipelines.CsdnPipeline‘: 300,
}