爬虫 --- 07. 全站爬取, post请求,cookie, 传参,中间件,selenium

Posted sc-1067178406

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫 --- 07. 全站爬取, post请求,cookie, 传参,中间件,selenium相关的知识,希望对你有一定的参考价值。

一.全站数据的爬取

- yield scrapy.Request(url,callback):callback回调一个函数用于数据解析
# 爬取阳光热线前五页数据

import scrapy
from sunLinePro.items import SunlineproItem class SunSpider(scrapy.Spider): name = sun # allowed_domains = [www.xxx.com] start_urls = [http://wz.sun0769.com/index.php/question/questionType?type=4&page=] #通用的url模板(不可以修改) url = http://wz.sun0769.com/index.php/question/questionType?type=4&page=%d page = 1 def parse(self, response): print(--------------------------page=,self.page) tr_list = response.xpath(//*[@id="morelist"]/div/table[2]//tr/td/table//tr) for tr in tr_list: title = tr.xpath(./td[2]/a[2]/text()).extract_first() status = tr.xpath(./td[3]/span/text()).extract_first() item = SunlineproItem() item[title] = title item[status] = status yield item if self.page < 5: #手动对指定的url进行请求发送 count = self.page * 30 new_url = format(self.url%count) self.page += 1 # 手动对指定的url进行请求发送 yield scrapy.Request(url=new_url,callback=self.parse)

 

二.如何进行post请求发送 和cookie处理

 

  1.post请求的发送

    - post请求的发送:
- 重写父类的start_requests(self)方法
- 在该方法内部只需要调用yield scrapy.FormRequest(url,callback,formdata)

 

import scrapy


class PostdemoSpider(scrapy.Spider):
    name = postDemo
    # allowed_domains = [www.xxx.com]
    #https://fanyi.baidu.com/sug
    start_urls = [https://fanyi.baidu.com/sug]
    #父类方法,就是将start_urls中的列表元素进行get请求的发送
    # def start_requests(self):
    #     for url in self.start_urls:
    #         yield scrapy.Request(url=url,callback=self.parse)

    def start_requests(self):
        for url in self.start_urls:
            data = 
                kw:cat
            
            #post请求的手动发送使用的是FormRequest
            yield scrapy.FormRequest(url=url,callback=self.parse,formdata=data)

    def parse(self, response):
        print(response.text)

 

  2.cookie的处理

    - cookie处理:scrapy默认情况下会自动进行cookie处理

 

 

三.请求传参

请求传参:
    - 使用场景:如果使用scrapy爬取的数据没有在同一张页面中,则必须使用请求传参
    - 编码流程:
        - 需求:爬取的是首页中电影的名称和详情页中电影的简介(全站数据爬取)
        - 基于起始url进行数据解析(parse)
            - 解析数据
                - 电影的名称
                - 详情页的url
                - 对详情页的url发起手动请求(指定的回调函数parse_detail),进行请求传参(meta)
                    meta传递给parse_detail这个回调函数
                - 封装一个其他页码对应url的一个通用的URL模板
                - 在for循环外部,手动对其他页的url进行手动请求发送(需要指定回调函数==》parse)
            - 定义parse_detail回调方法,在其内部对电影的简介进行解析。解析完毕后,需要将解析到的电影名称
                和电影的简介封装到同一个item中。
                - 接收传递过来的item,并且将解析到的数据存储到item中,将item提交给管道

 

# -*- coding: utf-8 -*-
import scrapy
from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):
    name = movie
    # allowed_domains = [www.xxx.com]
    start_urls = [https://www.4567tv.tv/frim/index1.html]

    #通用的url模板只适用于非第一页
    url = https://www.4567tv.tv/frim/index1-%d.html
    page = 2

    #电影名称(首页),简介(详情页)
    def parse(self, response):
        li_list = response.xpath(/html/body/div[1]/div/div/div/div[2]/ul/li)
        for li in li_list:
            name = li.xpath(./div/a/@title).extract_first()
            detail_url = https://www.4567tv.tv+li.xpath(./div/a/@href).extract_first()
            item = MovieproItem()
            item[name] = name

            #对详情页的url发起get请求
            #请求传参:meta参数对应的字典就可以传递给请求对象中指定好的回调函数
            yield scrapy.Request(url=detail_url,callback=self.detail_parse,meta=item:item)
        if self.page <= 5:
            new_url = format(self.url%self.page)
            self.page += 1
            yield scrapy.Request(url=new_url,callback=self.parse)
#解析详情页的页面数据 def detail_parse(self,response): #回调函数内部通过response.meta就可以接收到请求传参传递过来的字典 item
= response.meta[item] desc = response.xpath(/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()).extract_first() item[desc] = desc yield item

技术图片

 

 四.中间件

技术图片

 

    - 下载中间件的作用:批量拦截整个工程中发起的所有请求和响应
    - 拦截请求:
        - UA伪装:
        - 代理ip:
    - 拦截响应:

 

   1.UA池 和代理池


UA池:User-Agent池 - 作用:尽可能多的将scrapy工程中的请求伪装成不同类型的浏览器身份。


 代理池:ip代理

  - 作用:尽可能多的将scrapy工程中的请求的IP设置成不同的。

 

 ①在middlewares.py 文件中

import random

#批量拦截所有的请求和响应
class MiddlewearproDownloaderMiddleware(object):
    #UA池
    user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
    ]
    #代理池
    PROXY_http = [
        153.180.102.104:80,
        195.208.131.189:56055,
    ]
    PROXY_https = [
        120.83.49.90:9000,
        95.189.112.214:35508,
    ]

    #拦截正常请求:request就是该方法拦截到的请求,spider就是爬虫类实例化的一个对象
    def process_request(self, request, spider):
        print(this is process_request!!!)
        #UA伪装
        request.headers[User-Agent] = random.choice(self.user_agent_list)
        return None

    #拦截所有的响应
    def process_response(self, request, response, spider):

        return response

    #拦截发生异常的请求对象
    def process_exception(self, request, exception, spider):
        print(this is process_exception!!!!)
        #代理ip的设定
        if request.url.split(:)[0] == http:
            request.meta[proxy] = random.choice(self.PROXY_http)
        else:
            request.meta[proxy] = random.choice(self.PROXY_https)

        #将修正后的请求对象重新进行请求发送
        return request

 

 ②在settings.py文件中

技术图片

 

 技术图片

 

 

   2.拦截响应和 selenium的使用

拦截响应:
  修改 中间件文件的 process_response 函数



selenium 浏览器自动化:
  - 爬虫类中定义一个属性bro
  - 爬虫类中重写父类的一个方法closed,在该方法中关闭bro
  - 在中间件类的process_response中编写selenium自动化的相关操作
  

 

示例:爬取  网易新闻 数据

①在 爬虫文件中

# -*- coding: utf-8 -*-
import scrapy
from wangyiPro.items import WangyiproItem
from selenium import webdriver
class WangyiSpider(scrapy.Spider):
    name = wangyi
    # allowed_domains = [www.xxx.com]
    start_urls = [https://news.163.com/]
    #浏览器实例化的操作只会被执行一次
    bro = webdriver.Chrome(executable_path=chromedriver.exe)

    urls = []#最终存放的就是五个板块对应的url
    def parse(self, response):
        li_list = response.xpath(//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li)
        for index in [3,4,6,7,8]:
            li = li_list[index]
            new_url = li.xpath(./a/@href).extract_first()

            self.urls.append(new_url)
            #是五大板块对应的url进行请求发送
            yield scrapy.Request(url=new_url,callback=self.parse_news)

    #是用来解析每一个板块对应的新闻数据(新闻的标题)
    def parse_news(self,response):
        div_list = response.xpath(//div[@class="ndi_main"]/div)
        for div in div_list:
            title = div.xpath(./div/div[1]/h3/a/text()).extract_first()
            news_detail_url = div.xpath(./div/div[1]/h3/a/@href).extract_first()

            #实例化item对象将解析到的标题和内容存储到item对象中
            item = WangyiproItem()
            item[title] = title

            #对详情页的url进行手动请求发送以便回去新闻的内容
            yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta=item:item)
    def parse_detail(self,response):
        item = response.meta[item]
        #通过response解析出新闻的内容
        content = response.xpath(//div[@id="endText"]//text()).extract()
        content = ‘‘.join(content)

        item[content] = content

        yield item


    def closed(self,spider):
        print(爬虫整体结束!!!)
        self.bro.quit()

 

 

②在 中间件文件 中

# -*- coding: utf-8 -*-

# Define here the models for your spider middleware
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/spider-middleware.html

from scrapy import signals
from scrapy.http import HtmlResponse
from time import sleep

class WangyiproDownloaderMiddleware(object):


    def process_request(self, request, spider):

        return None

    #拦截整个工程中所有的响应对象
    def process_response(self, request, response, spider):
        if request.url in spider.urls:
            #就要将其对应的响应对象进行处理

            #获取了在爬虫类中定义好的浏览器对象
            bro = spider.bro
            bro.get(request.url)

            bro.execute_script(window.scrollTo(0,document.body.scrollHeight))
            sleep(1)
            bro.execute_script(window.scrollTo(0,document.body.scrollHeight))
            sleep(1)

            #获取携带了新闻数据的页面源码数据
            page_text = bro.page_source
            #实例化一个新的响应对象
            new_response = HtmlResponse(url=request.url,body=page_text,encoding=utf-8,request=request)
            return new_response
        else:
            return response

    def process_exception(self, request, exception, spider):

        pass

 

 ③注意事项

1. 导入浏览器启动文件

2. 修改 settings.py 文件

3,修改 items.py 文件

4,持久化存储式,修改 管道 文件

 

 

 

以上是关于爬虫 --- 07. 全站爬取, post请求,cookie, 传参,中间件,selenium的主要内容,如果未能解决你的问题,请参考以下文章

爬虫 + 数据分析 - 7 CrawlSpider(全站爬取), 分布式, 增量式爬虫

scrapy 全站数据爬取

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,

python爬虫---CrawlSpider实现的全站数据的爬取,分布式,增量式,所有的反爬机制

如何用python爬虫从爬取一章小说到爬取全站小说

Scrapy+selenium爬取简书全站