爬虫5 scrapy框架2 全站爬取cnblogs, scarpy请求传参, 提高爬取效率, 下载中间件, 集成selenium, fake-useragent, 去重源码分析, 布隆过滤器,

Posted 2021-03-01 ludingchao

1 全站爬取cnblogs

# 1 scrapy startproject cnblogs_crawl
# 2 scrapy genspider cnblogs www.cnblogs.com

示例：

# cnblogs_crawl/cnblogs_crawl/spiders/cnblogs.py
import scrapy
from cnblogs_crawl.items import CnblogsCrawlItem
from scrapy.http import Request

class CnblogsSpider(scrapy.Spider):
    name = ‘cnblogs‘
    allowed_domains = [‘www.cnblogs.com‘]
    start_urls = [‘htteeep://www.cnblogs.com/‘]

    def parse(self, response):
        div_list = response.css(‘.post_item‘)
        for div in div_list:
            item = CnblogsCrawlItem()
            title = div.css(‘h3>a::text‘).extract_first()
            print(title)
            item[‘title‘] = title
            url = div.css(‘h3>a::attr(href)‘).extract_first()
            print(url)
            item[‘url‘] = url
            author = div.css(‘.post_item_foot a::text‘).extract_first()
            print(author)
            item[‘author‘] = author
            desc = div.css(‘.post_item_summary::text‘).extract()[-1]
            print(desc)
            item[‘desc‘] = desc

            # yield item
            # 写callback,爬完之后，就会执行parser_detail。如果不写，爬完url继续执行上面parse解析。meta可以传递额外的东西
            yield Request(url,callback=self.parser_detail,meta={‘item‘:item})

　　　　　# 继续爬下一页内容
        next = response.css(‘div.pager a:last-child::attr(href)‘).extract_first()
        # print(‘https://www.cnblogs.com/‘+next)
        yield Request(‘https://www.cnblogs.com/‘+next)

    def parser_detail(self,response):
        # print(response)
        item = response.meta.get(‘item‘)　　# 获得传入参数
        content = response.css(‘#cnblogs_post_body‘).extract_first()
        if not content:
            content = response.css(‘content‘).extract_first()
        item[‘content‘] = content
        yield item

# cnblogs_crawl/cnblogs_crawl/items.py
import scrapy

class CnblogsCrawlItem(scrapy.Item):
    title = scrapy.Field()
    url = scrapy.Field()
    author = scrapy.Field()
    desc = scrapy.Field()
    content = scrapy.Field()    # 文章内容

# cnblogs_crawl/cnblogs_crawl/pipelines.py
import pymysql

class CnblogsCrawlPipeline(object):
    def open_spider(self, spider):
        # print(type(spider))
        # print(spider.name)
        self.conn = pymysql.Connect(host=‘127.0.0.1‘, port=3306, db=‘cnblogs‘, user=‘root‘)

    def process_item(self, item, spider):
        cursor = self.conn.cursor()
        sql = ‘‘‘insert into article(title,url,`desc`,content,author) values (%s,%s,%s,%s,%s)‘‘‘
        # print(sql)
        cursor.execute(sql,args=(item[‘title‘], item[‘url‘], item[‘desc‘], item[‘content‘], item[‘author‘]))
        self.conn.commit()
        # return item # 没有后续pipeline可以不加

    def close_spider(self, spider):
        self.conn.close()

# cnblogs_crawl/cnblogs_crawl/settings.py
ROBOTSTXT_OBEY = False
LOG_LEVEL=‘ERROR‘
ITEM_PIPELINES = {
   ‘cnblogs_crawl.pipelines.CnblogsCrawlPipeline‘: 300,
}

# cnblogs_crawl/main.py
from scrapy.cmdline import execute

execute([‘scrapy‘,‘crawl‘,‘cnblogs‘])

 

2 scarpy请求传参

# 写callback,爬完之后，就会执行parser_detail。如果不写，爬完url继续执行上面parse解析。meta可以传递额外的东西
# 1 放 ：yield Request(url,callback=self.parser_detail,meta={‘item‘:item})
# 2 取：response.meta.get(‘item‘)

示例参看上面爬虫类中传参方法

 

3 提高爬取效率

- 在配置文件中进行相关的配置即可:(默认还有一套setting)
#1 增加并发：
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
#2 提高日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’
# 3 禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False
# 4禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False
# 因为前一章博客scrapy架构图中，如果最右侧DOWNLOADER没有下载下来,还会返回requests,ENGINE会把它重新返回SCHEDULER中重新调度(一般情况下，下载不下来是地址不通，没必要重试)
# 5 减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s   (settings.py里面没有，直接往上写)

 

4 下载中间件

# 2大中间件：下载中间件，爬虫中间件

# 1 写在middlewares.py中（名字随便命名）
# 2 配置生效（）
        SPIDER_MIDDLEWARES = {
   ‘cnblogs_crawl.middlewares.CnblogsCrawlSpiderMiddleware‘: 543,
}
    DOWNLOADER_MIDDLEWARES = {
   ‘cnblogs_crawl.middlewares.CnblogsCrawlDownloaderMiddleware‘: 543,
}
  
# 2 下载中间件
    -process_request：（请求去，走）
          # - return None: 继续处理当次请求，进入下一个中间件(中间件配了多个，数字越小，优先级越高)
        # - return Response： 当次请求结束，把Response丢给引擎处理（可以自己爬，包装成Response）
        # - return Request ： 相当于把Request重新给了引擎，引擎再去做调度
        # - 抛异常：执行process_exception
  -process_response：（请求回来，走）
            # - return a Response object ：继续处理当次Response，继续走后续的中间件
        # - return a Request object：重新给引擎做调度
        # - or raise IgnoreRequest ：process_exception
  -process_exception：（出异常，走）
             # - return None: continue processing this exception   不处理，把异常继续往后丢
        # - return a Response object: stops process_exception() chain  ：停止异常处理链(可能有多个异常处理中间件)，给引擎（给爬虫）
        # - return a Request object: stops process_exception() chain ：停止异常处理链，给引擎（重新调度）

下载中间件异常处理process_exception示例：

# cnblogs_crawl/cnblogs_crawl/middlewares.py
from scrapy import signals

class CnblogsCrawlSpiderMiddleware(object):...
    
class CnblogsCrawlDownloaderMiddleware(object):
    ...
    def process_exception(self, request, exception, spider):
        print(request.url)
        # request.url=‘http://www.cnblogs.com/‘ # 不能这样直接修改
        from scrapy.http import Request
        return Request(‘http://www.cnblogs.com/‘,callback=spider.parser_detail) # 加入不用parse方法，要调用回调函数，这样写

下载中间件process_request(加cookie,加代理,修改ua)

# main.py
from scrapy.cmdline import execute
execute([‘scrapy‘,‘crawl‘,‘cnblogs2‘])

# spiders/cnblogs2.py
import scrapy
from scrapy.http import Request

class CnblogsSpider(scrapy.Spider):
    name = ‘cnblogs2‘
    start_urls = [‘https://www.baidu.com/‘]

    def parse(self,response):
        print(response)
        yield Request(‘https://www.baidu.com/?w=python‘)
        
# middlewares.py
class CnblogsCrawlDownloaderMiddleware(object):
    def get_proxy(self):  # 代理池用之前proxy_pool项目，注意先把redis清空，再用proxy_pool爬取，否则会有很多无用代理
        import requests
        ret = requests.get(‘http://127.0.0.1:5010/get‘).json()[‘proxy‘]
        print(ret)
        return ret
    def process_request(self, request, spider):
        # 1 加cookie(request.cookies就是访问该网站的cookie)
        # 从你的cookie池中取出来的，字典
        # request.cookies = {‘name‘:‘lqz‘,‘age‘:18}
        # print(request.cookies)

        # 2 加代理
        # print(request.meta) # {‘depth‘: 1, ‘download_timeout‘: 180.0} depth一开始没有，后面变为1，每次加1，是爬虫的优先级
        request.meta[‘proxy‘] = self.get_proxy()
        print(request.meta[‘proxy‘])
        
        # 3 修改ua    通常高层单例，放在类属性里
        from fake_useragent import UserAgent
        ua = UserAgent(verify_ssl=False)
        request.headers[‘User-Agent‘] = ua.random
        print(request.headers)

        return None

 

5 集成selenium

# 在爬虫已启动，就打开一个chrom浏览器，以后都用这一个浏览器来爬数据

# 1 在爬虫中创建bro对象
    bro = webdriver.Chrome(executable_path=‘/Users/liuqingzheng/Desktop/crawl/cnblogs_crawl/cnblogs_crawl/chromedriver‘)

# 2 中间件中使用：
  spider.bro.get(request.url)
  text=spider.bro.page_source
  response=htmlResponse(url=request.url,status=200,body=text.encode(‘utf-8‘))
  return response
# 3 关闭，在爬虫中
    def close(self, reason):
        self.bro.close()
        
        
# 注意：参考前一篇博客scrapy框架图右侧下载中间件到DOWNLOADER,本来是异步下载，中间件使用selenium会降低效率变为同步操作
本来下载器下载，是一个异步操作，换成seleniun，这条线程就成了同步，会一直等待数据加载回来，才进行后续操作
下载器用的是twisted框架，io多路复用，也就是说本来一个线程可以监听假设100个请求，现在换成selenium，只能处理一个请求了
原来是请求发出去，不需要等着回应，还可以继续发出很多的请求，有回来才处理，换成selenium，就必须等着它回来，这样就没法干其他事了，性能就下来了

代码示例：(本身应该在process_request添加selenium，在这response加相当于返回再次调度请求。此处这样做只是验证)

# main.py
from scrapy.cmdline import execute
execute([‘scrapy‘,‘crawl‘,‘cnblogs2‘])

# spiders/cnblogs2.py
import scrapy
from scrapy.http import Request

from selenium import webdriver
class CnblogsSpider(scrapy.Spider):
    name = ‘cnblogs2‘
    # 单例，保证每次中间件调用打开的是同一个浏览器对象
    bro = webdriver.Chrome(executable_path=‘D:oldboy_edupython_codeday110cnblogs_crawlcnblogs_crawlchromedriver.exe‘)

    start_urls = [‘https://www.baidu.com/‘]

    def parse(self,response):
        print(response.text)
        yield Request(‘https://www.baidu.com/?w=python‘)

    def close(self,reason): # 爬虫全部结束运行
        self.bro.close()    # 关闭selenium对象
        
# middlewares.py
class CnblogsCrawlDownloaderMiddleware(object):
    # 本身应该在process_request添加selenium，在这response加相当于返回再次调度请求。此处这样做只是验证
    def process_response(self, request, response, spider):
        # from selenium import webdriver
        from scrapy.http import HtmlResponse
        # bro = webdriver.Chrome(executable_path=‘D:oldboy_edupython_codeday110cnblogs_crawlcnblogs_crawlchromedriver.exe‘)
        spider.bro.get(request.url) # 每次使用同一个selenium对象爬取
        # spider.bro.get(‘https://www.jd.com‘)

        text = spider.bro.page_source
        response=HtmlResponse(url=request.url,body=text.encode(‘utf-8‘))    # 源码body要写成二进制

        return response

 

6 fake-useragent

用于更换请求头头中的user-agent，相当于从已有列表中取

# 请求头中的user-agent
list=[‘‘,‘‘]

# pip3 install fake-useragent

# https://github.com/hellysmile/fake-useragent   参考官网
from fake_useragent import UserAgent
ua=UserAgent(verify_ssl=False)
print(ua.random)

 

7 去重源码分析

# 去重源码分析
# from scrapy.core.scheduler import Scheduler
# Scheduler下：def enqueue_request(self, request)方法判断是否去重
    if not request.dont_filter and self.df.request_seen(request):
       Requests对象，RFPDupeFilter对象
# 如果要自己写一个去重类
    -写一个类，继承BaseDupeFilter类
  -重写def request_seen(self, request):
  -在setting中配置：DUPEFILTER_CLASS = ‘项目名.dup.UrlFilter‘

# scrapy起始爬取的地址
    def start_requests(self):    #真正的入口，可以重写
        for url in self.start_urls:
            yield Request(url)
          
          
# 重写去重类的目的有以下两个         
-增量爬取（100链接，150个链接）
  -已经爬过的，放到某个位置（mysql，redis中：集合）
  -如果用默认的，爬过的地址，放在内存中，只要项目一重启，就没了，它也不知道我爬过那个了，所以要自己重写去重方案
-你写的去重方案，占得内存空间更小
    -bitmap方案
    -BloomFilter布隆过滤器
  
  
from scrapy.http import Request
from scrapy.utils.request import request_fingerprint

# 这种网址是一个
requests1=Request(url=‘https://www.baidu.com?name=lqz&age=19‘)
requests2=Request(url=‘https://www.baidu.com?age=18&name=lqz‘)

ret1=request_fingerprint(requests1)
ret2=request_fingerprint(requests2)
print(ret1)
print(ret2)


# bitmap去重  一个小格表示一个连接地址 32个连接，一个比特位来存一个地址
# https://www.baidu.com?age=18&name=lqz ---》44
# https://www.baidu.com?age=19&name=lqz ---》89
# c2c73dfccf73bf175b903c82b06a31bc7831b545假设它占4个bytes，4*8=32个比特位
# 存一个地址，占32个比特位
# 10个地址，占320个比特位
#计算机计量单位
# 比特位：只能存0和1
# 8个比特位是一个bytes
# 1024bytes=1kb
# 1024kb=1m
# 1024m=1g

# 布隆过滤器：原理和python中如何使用 

    def request_seen(self, request):
        # 把request对象传入request_fingerprint得到一个值：aefasdfeasd
        # 把request对象，唯一生成一个字符串
        fp = self.request_fingerprint(request)
        #判断fp，是否在集合中，在集合中，表示已经爬过，return True，他就不会再爬了
        if fp in self.fingerprints:
            return True
        # 如果不在集合中，放到集合中
        self.fingerprints.add(fp)
        if self.file:
            self.file.write(fp + os.linesep)

 

布隆过滤器

# 布隆过滤器：原理和python中如何使用           存在内存中，可以存到redis里。
# 原本scarpy是在内存用set去重，一旦数据量大，set会很大，吃内存。使用布隆过滤器，减小内存容量
# 参考：https://www.cnblogs.com/xiaoyuanqujing/protected/articles/11969224.html

简介

 

 python中使用布隆过滤器

#python3.6 安装
#需要先安装bitarray
pip3 install bitarray-0.8.1-cp36-cp36m-win_amd64.whl（pybloom_live依赖这个包，需要先安装）
#下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/
pip3 install pybloom_live

示例一

#ScalableBloomFilter 可以自动扩容
from pybloom_live import ScalableBloomFilter

bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001, mode=ScalableBloomFilter.LARGE_SET_GROWTH)

url = "www.cnblogs.com"
url2 = "www.liuqingzheng.top"

bloom.add(url)

print(url in bloom)
print(url2 in bloom)

示例二

#BloomFilter 是定长的
from pybloom_live import BloomFilter

bf = BloomFilter(capacity=1000)
url=‘www.baidu.com‘
bf.add(url)

print(url in bf)

print("www.liuqingzheng.top" in bf)

 

8 分布式爬虫

# 1 安装pip3 install scrapy-redis

# 源码部分，不到1000行，
    
# 1 原来的爬虫继承
from scrapy_redis.spiders import RedisSpider
class CnblogsSpider(RedisSpider):
      #start_urls = [‘http://www.cnblogs.com/‘]
    redis_key = ‘myspider:start_urls‘
    
# 2 在setting中配置
  SCHEDULER = "scrapy_redis.scheduler.Scheduler"
  DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
  ITEM_PIPELINES = {
     ‘scrapy_redis.pipelines.RedisPipeline‘: 300    # 这里也可以用自己的保存在本地
  }
# 设置redis(如果是默认的，可以不配置)
REDIS_HOST = ‘...‘
REDIS_PORT = 6379
REDIS_PARAMS={
   ‘password‘:‘admin123‘,
}    
  
# 3 多台机器上启动scrapy
# 4 向reids中发送起始url,然后scrapy开始抢
lpush myspider:start_urls https://www.cnblogs.com      # myspider:start_urls对应爬虫类中的redis_key
        
注：控制台redis操作
>redis-cli     #进入redis        
>auth 密码      #如果有密码就输入密码
>lpush myspider:start_urls https://www.cnblogs.com

 

补充

# 编译型语言和解释型语言
# python，js，php 解释型： 一定要有个解释器 （全都夸平台，在不同平台装不通平台的解释器即可）
# 编译型语言：c，c++   java（有人说是编译型，有人说是解释型）
    -java：jdk，jre，jvm（三个分别是啥）
      -jdk：java开发环境（开发人员要装）
    -jre：java运行环境（要运行java程序，必须装）
    -jvm:java虚拟机，所有的java程序必须运行在虚拟机之上
    -java对外发布：跨平台，一处编码，处处运行（1990年）
    -java编译----》字节码文件（.class文件）----》字节码文件在jvm上运行---》在不同平台装不通java虚拟---》实现了跨平台
    -java：1.5---》古老   1.6 1.7 ---》java 8（用的还比较多）---》java9 ---》java13
    
  -c语言：写完了，想在windwos下运行----》跑到windows机器下编译成可执行文件
                         -想在linux下运行----》跑到linux机器下编译成可执行文件
               -linux上装python环境（源码安装，make，make install）
  -go编译型：跨平台编译（在windows上可以编译出linux下可执行文件）---》2009年--》微服务
      -所有代码都编译成一个可执行文件（web项目---》编译之后---》可执行文件---》丢到服务器就能执行，不需要安装任何依赖）
    -java要运行---》最低最低要跑在java虚拟机之上（光jvm要跑起来，就占好几百m内存）---》
    -安卓手机app--java开发的---》你的安卓手机在上面跑了个jvm
  
  -go：就是个可执行文件（go的性能比java高，他俩不相上下），阿里：自己写了jvm
  -安卓：谷歌，---->当时那个年代，java程序员多---》java可以快速转过去---》
  -谷歌：Kotlin：---》用来取代java---》写安卓---》在国际上排名比go高
  -同年ios/mac软件：object-c-----》swift（苹果的一个工程师，没事的时候，写的一个语言）---》过了没几年，跳槽去了facebook----》
  
  -java：sun公司出的，后来被甲骨文收购了，开始恶心人---》把java做成收费---》一门收费
  -c#：微软的：一开始收费，比java要好，没人用，免费，开源了，也没人用
  
  -java se  java ee  java me
  
  -python写的代码，用打包工具，打包成exe----》把代码和解释器统统打包到exe中了
  -垃圾回收机制:挺高端

 

# 1 代码发布系统 +cmdb+监控+日志---》devops平台、自动化运维平台
# 2 go挺高级（并发）前端，mysql，redis，mongodb，es    缺了个go的web框架，orm
    -beego：中国人写的（跟django很像。orm，中间件。。。。。）https://beego.me/docs/intro/
  -gin：老外写的（flask，没有orm ），gorm   https://github.com/gin-gonic/gin
  -Iris：

 

bilibili爬视频参考

https://www.cnblogs.com/xiaoyuanqujing/articles/12014416.html

注意:bilibili视频爬取分为音频和视频两种文件,因为bilibili要做到视频可以根据不同清晰度进行切换

‘‘‘

通过该程序下载的视频和音频是分成连个文件的，没有合成，
视频为：视频名_video.mp4
音频为：视频名_audio.mp4
修改url的值，换成自己想下载的页面节课
‘‘‘

# 导入requests模块，模拟发送请求
import requests
# 导入json
import json
# 导入re
import re

# 定义请求头
headers = {
    ‘Accept‘: ‘*/*‘,
    ‘Accept-Language‘: ‘en-US,en;q=0.5‘,
    ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36‘
}


# 正则表达式，根据条件匹配出值
def my_match(text, pattern):
    match = re.search(pattern, text)
    print(match.group(1))
    print()
    return json.loads(match.group(1))


def download_video(old_video_url, video_url, audio_url, video_name):
    headers.update({"Referer": old_video_url})
    print("开始下载视频：%s" % video_name)
    video_content = requests.get(video_url, headers=headers)
    print(‘%s视频大小：‘ % video_name, video_content.headers[‘content-length‘])
    audio_content = requests.get(audio_url, headers=headers)
    print(‘%s音频大小：‘ % video_name, audio_content.headers[‘content-length‘])
    # 下载视频开始
    received_video = 0
    with open(‘%s_video.mp4‘ % video_name, ‘ab‘) as output:
        while int(video_content.headers[‘content-length‘]) > received_video:
            headers[‘Range‘] = ‘bytes=‘ + str(received_video) + ‘-‘
            response = requests.get(video_url, headers=headers)
            output.write(response.content)
            received_video += len(response.content)
    # 下载视频结束
    # 下载音频开始
    audio_content = requests.get(audio_url, headers=headers)
    received_audio = 0
    with open(‘%s_audio.mp4‘ % video_name, ‘ab‘) as output:
        while int(audio_content.headers[‘content-length‘]) > received_audio:
            # 视频分片下载
            headers[‘Range‘] = ‘bytes=‘ + str(received_audio) + ‘-‘
            response = requests.get(audio_url, headers=headers)
            output.write(response.content)
            received_audio += len(response.content)
    # 下载音频结束
    return video_name


if __name__ == ‘__main__‘:
    # 换成你要爬取的视频地址
    url = ‘https://www.bilibili.com/video/BV1g7411273a‘
    # 发送请求，拿回数据
    res = requests.get(url, headers=headers)
    # 视频详情json
    playinfo = my_match(res.text, ‘__playinfo__=(.*?)</script><script>‘)
    # 视频内容json
    initial_state = my_match(res.text, r‘__INITIAL_STATE__=(.*?);(function()‘)
    # 视频分多种格式，直接取分辨率最高的视频 1080p
    video_url = playinfo[‘data‘][‘dash‘][‘video‘][0][‘baseUrl‘]
    # 取出音频地址
    audio_url = playinfo[‘data‘][‘dash‘][‘audio‘][0][‘baseUrl‘]
    video_name = initial_state[‘videoData‘][‘title‘]
    print(‘视频名字为：video_name‘)
    print(‘视频地址为：‘, video_url)
    print(‘音频地址为：‘, audio_url)
    download_video(url, video_url, audio_url, video_name)