scrapy架构和目录介绍
# pip3 install scrapy
# 创建项目：scrapy startproject cnblogs_spider 等同于django创建项目
# 创建爬虫：scrapy genspider cnblogs www.cnblogs.com 等同于创建app
-本质就是在spiders文件夹下创建一个py文件，写入一些代码
# 运行爬虫：scrapy crawl 爬虫名
项目目录介绍
cnblogs_spider # 项目名字
-cnblogs_spider # 文件夹
-spiders # 文件夹，下面放了一个个爬虫文件
-cnblogs.py # 一个个的爬虫文件
items.py # 模型类写了一些字段---》类似于django的models
middlewares.py # 中间件：爬虫中间件和下载中间件
pipelines.py # 管道：存储数据的代码写在这
settings.py # 项目的配置文件
scrapy.cfg # 项目上线需要用到，不用管
# 重点：咱们以后主要是在cnblogs.py爬虫文件中写爬取和解析的逻辑，pipelines写存储
scrapy架构
# 引擎(EGINE)-->大总管，负责全部的数据流向--》内置的，咱们不需要写
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。
# 调度器(SCHEDULER)---》对要爬取的地址进行排队，去重
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的优先级队列, 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(DOWLOADER)--》真正负责下载---》高效的异步模型
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
# 爬虫(SPIDERS)--》咱们重点写的地方，解析响应，从响应中提取要保存的数据和下一次爬取的地址
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
# 项目管道(ITEM PIPLINES)---》存储数据的逻辑---》可以存到文件，redis，mysql。。。
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
# 下载器中间件(Downloader Middlewares)--》用的多
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request(加请求头，加cookie，加代理)，已经从DOWNLOADER传到EGINE的响应response进行一些处理
# 爬虫中间件(Spider Middlewares)---》用的少
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
py文件直接运行爬虫
# 右键运行它就可以运行爬虫，不需要每次都敲命令
from scrapy import cmdline
# cmdline.execute(['scrapy', 'crawl' ,'cnblogs','--nolog'])
cmdline.execute(['scrapy', 'crawl' ,'cnblogs'])
scrapy解析数据
################################### 重点
1 response对象有css方法和xpath方法
-css中写css选择器
-xpath中写xpath选择
2 重点1：
-xpath取文本内容
'.//a[contains(@class,"link-title")]/text()'
-xpath取属性
'.//a[contains(@class,"link-title")]/@href'
-css取文本
'a.link-title::text'
-css取属性
'img.image-scale::attr(src)'
3 重点2：
.extract_first() 取一个
.extract() 取所有
setting相关配置
# 两套配置，内置一套，用户一套
ROBOTSTXT_OBEY = False # 是否遵循爬虫协议，如果写了它，一般网站都不让爬，基本写成false
USER_AGENT = '浏览器头' # 爬虫请求头中USER_AGENT是什么，做成浏览器的样子
LOG_LEVEL='ERROR' # 日志级别改成ERROR，以后错误日志会打印，普通日志不打印
#---------#####-------
SPIDER_MIDDLEWARES=[] # 爬虫中间件，可以写多个
DOWNLOADER_MIDDLEWARES=[] # 下载中间件类，配置在这，可以配多个
ITEM_PIPELINES=[] # 保存数据，会执行到的类，类内部写保存逻辑
提高爬虫效率配置
#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 降低日志级别：
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
# 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
全站爬取cnblogs文章
import scrapy
from cnblogs_spider.items import CnblogsSpiderItem
from scrapy.http import Request
class CnblogsSpider(scrapy.Spider):
name = 'cnblogs'
allowed_domains = ['www.cnblogs.com']
start_urls = ['http://www.cnblogs.com/']
def parse(self, response):
res = response.text
article_list = response.xpath('//*[@id="post_list"]/article[@class="post-item"]')
for article in article_list:
item = CnblogsSpiderItem()
title = article.xpath('./section/div/a/text()').extract_first()
descriptive = article.xpath('./section/div/p/text()').extract()[0].replace('\n', '').replace(' ', '')
if not descriptive:
descriptive = article.xpath('./section/div/p/text()').extract()[1].replace('\n', '').replace(' ', '')
img = article.xpath('./section/div/p/a/img/@src').extract_first()
name = article.xpath('./section/footer/a/span/text()').extract_first()
detail_url = article.xpath('./section/div/a/@href').extract_first()
item['title'] = title # 不能使用 . 赋值，必须用 [] 赋值
item['descriptive'] = descriptive # 不能使用 . 赋值，必须用 [] 赋值
item['name'] = name # 不能使用 . 赋值，必须用 [] 赋值
item['img'] = img # 不能使用 . 赋值，必须用 [] 赋值
yield Request(url=detail_url, callback=self.parse_detail, meta={'item': item})
# 爬取文章列表页的下一页
next_url = 'https://www.cnblogs.com' + response.xpath(
'//*[@id="paging_block"]/div/a[last()]/@href').extract_first()
# next_url='https://www.cnblogs.com'+response.css('#paging_block > div > a:last-child::attr(href)').extract_first()
print(next_url)
# 继续爬取下一页，再爬完，解析方式还是这个解析方式
yield Request(url=next_url)
def parse_detail(self, response):
# 解析出文章详情--》如何对上之前的文章标题，摘要。。。
item = response.meta.get('item')
detail = str(response.css('#cnblogs_post_body').extract_first())
item['detail'] = detail
yield item # 触发pipline，走存储
item.py
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class CnblogsSpiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
img = scrapy.Field()
name = scrapy.Field()
descriptive = scrapy.Field()
detail_url = scrapy.Field()
detail = scrapy.Field()
pipelines.py
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
import pymysql
class CnblogsSpiderPipeline:
# 所有的保存都用一个连接，最后存完把连接关闭，爬虫一启动打开数据库连接，爬虫关闭，关闭数据库连接
def open_spider(self,spider):
print("我开了")
self.conn = pymysql.connect(
user='root',
password="456",
host='127.0.0.1',
database='cnblogs',
port=3306,
autocommit=True # 自动提交
)
self.cursor = self.conn.cursor()
def process_item(self, item, spider):
# 每个文章都会一次次的触发该方法的执行，在这里写保存逻辑
print('pipline：', item['title'])
self.cursor.execute('insert into article (title,descriptive,detail,name,img) values (%s,%s,%s,%s,%s)',
args=[item['title'], item['descriptive'], item['detail'], item['name'], item['img'], ])
return item
def close_spider(self,spider):
print('我关了')
self.cursor.close()
self.conn.close()
加代理，加header，集成selenium
0 在下载中间件的process_reqeust方法中
1 加cookie
# request.cookies['name']='lqz'
# request.cookies= {}
2 修改header
# request.headers['Auth']='asdfasdfasdfasdf'
# request.headers['USER-AGENT']='ssss'
3 加代理
request.meta['proxy']='http://103.130.172.34:8080'
4 fake_useragent模块，可以随机生成user-aget
from fake_useragent import UserAgent
ua = UserAgent()
print(ua.ie) #随机打印ie浏览器任意版本
print(ua.firefox) #随机打印firefox浏览器任意版本
print(ua.chrome) #随机打印chrome浏览器任意版本
print(ua.random) #随机打印任意厂家的浏览器
浙公网安备 33010602011771号