scrapy架构介绍
# 框架---》架构
# 1 spiders：爬虫（咱们的代码）
# 2 engin ：引擎（大总管）
# 3 scheduler：调度器（排队，谁先爬谁后爬，去重）
# 4 downloader：下载器（真正的负责发送http请求，获取数据，性能很高，基于twisted，性能很高的网络框架）
# 5 piplines：管道（保存数据）
# 引擎(EGINE)
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)
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)
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)
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)
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)
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，已经从DOWNLOADER传到EGINE的响应response，
# 爬虫中间件(Spider Middlewares)
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）
7 scrapy目录介绍，scrapy项目创建，爬虫创建，启动爬虫
# scrapy是爬虫界的django
# 1 创建scrapy项目 ---》对比django
scrapy startproject myfirstscrapy
# 2 创建爬虫----》对比django创建app
scrapy genspider cnblogs cnblogs.com
# 目录介绍
firstscrapy # 项目名
firstscrapy # 文件夹
spiders # 文件夹，一个个的爬虫
cnblogs.py # 其中一个爬虫，重点写代码的地方（解析数据，发起请求）*****
items.py # 类比djagno的models，表模型--》类 ***
middlewares.py # 中间件：爬虫中间件和下载中间件都在里面 ***
pipelines.py # 管道，做持久化需要在这写代码 ***
settings.py # 配置文件 **
scrapy.cfg # 上线配置，开发阶段不用
# 启动爬虫，爬取数据
scrapy crawl 爬虫名字 --nolog
# 或者在项目路径下新建main.py--->右键运行
from scrapy.cmdline import execute
execute(['scrapy','crawl','cnblogs','--nolog'])
scrapy解析数据
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
# def parse(self, response):
# print(type(response))
# # print(response.text) 相应的body体的内容字符串
# # 一般不用bs4再去解析了
# # soup=BeautifulSoup(response.text,'html.parser')
# # soup.find()
# # 使用自带的css，xpath
# # 第一种解析方式：使用xpath
# # article_list=response.xpath('//*[@id="post_list"]//article[@class="post-item"]')
# article_list = response.xpath('//article[@class="post-item"]')
# print(len(article_list))
# for article in article_list:
# title = article.xpath('.//a/text()').extract_first()
# desc = article.xpath('./section/div/p/text()').extract()
# real_desc = desc[0].replace('\n', '').replace(' ', '')
# if not real_desc:
# real_desc = desc[1].replace('\n', '').replace(' ', '')
# pub_time=article.xpath('.//footer/span/span/text()').extract_first()
# author=article.xpath('.//footer/a/span/text()').extract_first()
# url = article.xpath('./section/div/a/@href').extract_first()
# print(title)
# print(real_desc)
# print(pub_time)
# print(author)
# print(url)
# print('--------')
def parse(self, response):
article_list = response.css('article.post-item')
print(len(article_list))
for article in article_list:
title = article.css('a.post-item-title::text').extract_first()
desc = article.css('p.post-item-summary::text').extract()
real_desc = desc[0].replace('\n', '').replace(' ', '')
if not real_desc:
real_desc = desc[1].replace('\n', '').replace(' ', '')
pub_time = article.css('span.post-meta-item>span::text').extract_first()
author = article.css('footer.post-item-foot span::text').extract_first()
url = article.css('a.post-item-title::attr(href)').extract_first()
print(title)
print(real_desc)
print(pub_time)
print(author)
print(url)
print('--------')
2 settings相关配置，提高爬取效率
2.1 基础的一些
#1 是否遵循爬虫协议
ROBOTSTXT_OBEY = False
#2 LOG_LEVEL 日志级别
LOG_LEVEL='ERROR' # 报错如果不打印日志，在控制台看不到错误
# 3 USER_AGENT
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
# 4 DEFAULT_REQUEST_HEADERS 默认请求头
#DEFAULT_REQUEST_HEADERS = {
# 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
# 'Accept-Language': 'en',
#}
# 5 SPIDER_MIDDLEWARES 爬虫中间件
#SPIDER_MIDDLEWARES = {
# 'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
#}
# 6 DOWNLOADER_MIDDLEWARES 下载中间件
#DOWNLOADER_MIDDLEWARES = {
# 'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
#}
# 7 ITEM_PIPELINES 持久化配置
#ITEM_PIPELINES = {
# 'cnblogs.pipelines.CnblogsPipeline': 300,
#}
2.2 增加爬虫的爬取效率
#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
3 持久化方案
# 第一种：(不用)
-解析函数中parse，要return [{},{},{}]
-scrapy crawl cnblogs -o 文件名(json,pkl,csv结尾)
# 第二种：（通用的）---》pipline模式
-1 在items.py中写一个类，继承scrapy.Item
-2 在类中写属性
title = scrapy.Field()
-3 在爬虫中导入类，实例化得到对象，把要保存的数据放到对象中
item['title'] = title
解析类中 yield item
-4 修改配置文件，指定pipline，数字表示优先级，越小越大
ITEM_PIPELINES = {
'crawl_cnblogs.pipelines.CrawlCnblogsPipeline': 300,
}
-5 写一个pipline：CrawlCnblogsPipeline
-open_spider:数据初始化，打开文件，打开数据库链接
-process_item：真正存储的地方
-一定不要忘了return item，交给后续的pipline继续使用
-close_spider：销毁资源，关闭文件，关闭数据库链接
4 全站爬取cnblogs文章
4.1 request和response对象传递参数
1 在request对象中
Request(url=url, callback=self.parse_detail,meta={'item':item})
2 在response对象中
item=response.meta['item']
4.2 解析下一页并继续爬取
next='https://www.cnblogs.com'+response.css('.pager a:last-child::attr(href)').extract_first()
print(next)
# yield Request(url=next,callback=self.parse)
yield Request(url=next)
5 爬虫和下载中间件
# settings.py中
SPIDER_MIDDLEWARES 爬虫中间件 （了解即可，用的少）
#SPIDER_MIDDLEWARES = {
# 'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
#}
DOWNLOADER_MIDDLEWARES 下载中间件（用的多）
#DOWNLOADER_MIDDLEWARES = {
# 'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
#}
# 最终要的是下载中间件，里面的两个方法
class CnblogsDownloaderMiddleware:
# 请求来的时候
def process_request(self, request, spider):
# - return None: 继续执行下一个中间件的process_request
# - return a Response object ：直接返回给engin，去解析
# - return a Request object ：给engin，再次被放到调度器中
# - raise IgnoreRequest: 执行 process_exception()方法
return None
# 响应走的时候
def process_response(self, request, response, spider):
# - return a Response ：继续走下一个中间件的process_response，给engin，进爬虫解析
# - return a Request ：给engin，进入调度器，等待下一次爬取
# - raise IgnoreRequest：抛异常
return response
6.1 加代理
def process_request(self, request, spider):
print('下载中间件：',request)
request.meta['proxy'] = 'http://221.6.215.202:9091'
return None
6.2 加cookie,修改请求头，随机生成UserAgent
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 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
6.3 集成selenium
-在爬虫类中类属性
driver = webdriver.Chrome(executable_path='')
-在爬虫类中方法：
def close(spider, reason):
spider.driver.close()
-在中间件中的process_reqeust中
from scrapy.http import HtmlResponse
spider.driver.get(url=request.url)
response=HtmlResponse(url=request.url,body=spider.driver.page_source.encode('utf-8'),request=request)
return response
-注意：有的地址使用selenium，有的地址不用，根据url判断
7 去重规则源码分析（布隆过滤器）
# scrapy 实现了去重，爬过的网址不会再爬了
-使用集合去重
-DUPEFILTER_CLASS = 'scrapy.dupefilters.RFPDupeFilter'
-只要爬取过的地址，就不爬了，原因就是这个方法返回了True
class RFPDupeFilter(BaseDupeFilter)
def request_seen(self, request: Request) -> bool:
# 把request生成指纹，如果request对象的url一样，指纹就一样
fp = self.request_fingerprint(request)
if fp in self.fingerprints:
return True
self.fingerprints.add(fp)
if self.file:
self.file.write(fp + '\n')
return False
-爬虫开始爬取时，执行了爬虫类对象的：start_requests方法---》start_urls是起始爬取的地址
-爬虫去重的规则应该在scrapy.core.scheduler调度器源码中---》enqueue_request---》调用了去重类（RFPDupeFilter）对象的，request_seen方法来完成去重，本质是使用集合去重的
# 每次爬取的地址对象request生成一个指纹，判断是否在集合中，如果在集合中，就不爬取了，如果不在，就爬取并且把生成的指纹放到集合中
# 为什么要生成指纹：把下面这种地址生成指纹后，生成的是一样的
www.cnblogs.com?name=lqz&age=19
www.cnblogs.com?age=19&name=lqz
# 测试生成指纹
from scrapy.utils.request import request_fingerprint
from scrapy import Request
ur1=Request(url='http://www.cnblogs.com?name=lqz&age=19')
ur2=Request(url='http://www.cnblogs.com?age=20&name=lqz')
print(request_fingerprint(ur1))
print(request_fingerprint(ur2))
# 爬取的网址少还行，如果特别多 ，如果有1亿条网址，会占非常大的内存空间
-放在集合中得字符串：a6af0a0ffa18a9b2432550e1914361b6bffcff1a
# 大数据量的去重：布隆过滤器，极小空间实现去重
-https://zhuanlan.zhihu.com/p/94668361
#### python 中实现布隆过滤器
# python 中实现布隆过滤器
# 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)
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)
# 后期你可以自己写一个类，替换掉内置的去重
-重写
class MyRFPDupeFilter(RFPDupeFilter):
fingerprints=布隆过滤器
-布隆过滤器：极小内存校验是否重复
8 scrapy-redis实现分布式爬虫
# 使用步骤
第一步：安装scrapy-redis ---》pip3 install scrapy-redis
第二步：改造爬虫类
from scrapy_redis.spiders import RedisSpider
class CnblogSpider(RedisSpider):
name = 'cnblog_redis'
allowed_domains = ['cnblogs.com']
# 写一个key：redis列表的key，起始爬取的地址
redis_key = 'myspider:start_urls'
第三步：配置文件配置
# 分布式爬虫配置
# 去重规则使用redis
REDIS_HOST = 'localhost' # 主机名
REDIS_PORT = 6379 # 端口
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 持久化：文件，mysql，redis
ITEM_PIPELINES = {
'cnblogs.pipelines.CnblogsFilePipeline': 300,
'cnblogs.pipelines.CnblogsMysqlPipeline': 100,
'scrapy_redis.pipelines.RedisPipeline': 400,
}
第四步：在多台机器上启动scrapy项目
第五步：把起始爬取的地址放到redis的列表中
lpush myspider:start_urls value http://www.cnblogs.com/
浙公网安备 33010602011771号