目录

Python学习之路-爬虫提高:scrapy使用

scrapy项目实现流程

  • 创建一个scrapy项目:scrapy startproject mySpider
  • 生成一个爬虫:scrapy genspider itcast "itcast.cn
  • 提取数据:完善spider,使用xpath等方法
  • 保存数据:pipeline中保存数据

创建scrapy项目

下面以抓取传智师资库来学习scrapy的入门使用:http://www.itcast.cn/channel/teacher.shtml命令:scrapy startproject +<项目名字>

创建爬虫

命令:scrapy genspider +<爬虫名字> + <允许爬取的域名>

完善spider

完善spider即通过方法进行数据的提取等操作

注意:

  1. response.xpath方法的返回结果是一个类似list的类型,其中包含的是selector对象,操作和列表一样,但是有一些额外的方法
  2. extract() 返回一个包含有字符串的列表
  3. extract_first() 返回列表中的第一个字符串,列表为空没有返回None
  4. spider中的parse方法必须有
  5. 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
  6. 启动爬虫的时候注意启动的位置,是在项目路径下启动

数据传递到pipeline

为什么要使用yield?

  • 让整个函数变成一个生成器,有什么好处呢?
  • 遍历这个函数的返回值的时候,挨个把数据读到内存,不会造成内存的瞬间占用过高
  • python3中的range和python2中的xrange同理

注意:

  • yield能够传递的对象只能是:BaseItem,Request,dict,None

完善pipeline

pipeline在settings中能够开启多个,为什么需要开启多个?

  • 不同的pipeline可以处理不同爬虫的数据
  • 不同的pipeline能够进行不同的数据处理的操作,比如一个进行数据清洗,一个进行数据的保存

pipeline使用注意点

  • 使用之前需要在settings中开启
  • pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义),值表示距离引擎的远近,越近数据会越先经过
  • 有多个pipeline的时候,process_item的方法必须return item,否则后一个pipeline取到的数据为None值
  • pipeline中process_item的方法必须有,否则item没有办法接受和处理
  • process_item方法接受item和spider,其中spider表示当前传递item过来的spider

输出日志LOG的设置

为了让我们自己希望输出到终端的内容能容易看一些,我们可以在setting中设置log级别

在setting中添加一行(全部大写):LOG_LEVEL = "WARNING”

默认终端显示的是debug级别的log信息

scrapy实现翻页请求

对于要提取所有页面上的数据该怎么办?

回顾requests模块是如何实现翻页请求的:

  • 找到下一页的URL地址
  • 调用requests.get(url)

思路:

  1. 找到下一页的url地址
  2. 构造url地址的请求,传递给引擎

实现翻页请求

  1. 使用方法

    在获取到url地址之后,可以通过scrapy.Request(url,callback)得到一个request对象,通过yield关键字就可以把这个request对象交给引擎

  2. 具体使用

    添加User-Agent

    同时可以再在setting中设置User-Agent:

    1
    
     USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
    
  3. 通过爬取腾讯招聘的页面的招聘信息,学习如何实现翻页请求

    地址:http://hr.tencent.com/position.php

    思路分析:

    1. 获取首页的数据
    2. 寻找下一页的地址,进行翻页获取数据

scrapy.Request的更多参数

1
scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])

注意:

  • 括号中的参数为可选参数
  • callback:表示当前的url的响应交给哪个函数去处理
  • meta:实现数据在不同的解析函数中传递,meta默认带有部分数据,比如下载延迟,请求深度等
  • dont_filter:默认会过滤请求的url地址,即请求过的url地址不会继续被请求,对需要重复请求的url地址可以把它设置为Ture,比如贴吧的翻页请求,页面的数据总是在变化;start_urls中的地址会被反复请求,否则程序不会启动

定义Item

定义Item的原因:定义item即提前规划好哪些字段需要抓取,scrapy.Field()仅仅是提前占坑,通过item.py能够让别人清楚自己的爬虫是在抓取什么,同时定义好哪些字段是需要抓取的,没有定义的字段不能使用,防止手误

使用Item

Item使用之前需要先导入并且实例化,之后的使用方法和使用字典相同

1
2
 from yangguang.items import YangguangItem
 item = YangguangItem() #实例化

scrapy的深入使用

scrapy shell的使用

scrapy shell是scrapy提供的一个终端工具,能够通过它查看scrapy中对象的属性和方法,以及测试xpath

使用方法:scrapy shell http://www.itcast.cn/channel/teacher.shtml

在终端输入上述命令后,能够进入python的交互式终端

小知识点:

  • response.url:当前响应的url地址
  • response.request.url:当前响应对应的请求的url地址
  • response.headers:响应头
  • response.body:响应体,也就是html代码,默认是byte类型
  • response.requests.headers:当前响应的请求头

认识scrapy中的setting文件

  • 为什么项目中需要配置文件

    • 在配置文件中存放一些公共变量,在后续的项目中便便修改,注意其中的变量名一般全部大写
  • 配置文件中的变量使用方法

    • 导入即可使用
  • settings.py中的重点字段和内涵

    • USER_AGENT 设置ua
    • ROBOTSTXT_OBEY 是否遵守robots协议,默认是遵守
    • CONCURRENT_REQUESTS 设置并发请求的数量,默认是16个
    • DOWNLOAD_DELAY 下载延迟,默认无延迟
    • COOKIES_ENABLED 是否开启cookie,即每次请求带上前一次的cookie,默认是开启的
    • DEFAULT_REQUEST_HEADERS 设置默认请求头
    • SPIDER_MIDDLEWARES 爬虫中间件,设置过程和管道相同
    • DOWNLOADER_MIDDLEWARES 下载中间件

    管道中的open_spiderclose_spider 的方法

    在管道中,除了必须定义process_item之外,还可以定义两个方法:

    • open_spider(spider) :能够在爬虫开启的时候执行一次
    • close_spider(spider) :能够在爬虫关闭的时候执行一次

    所以,上述方法经常用于爬虫和数据库的交互,在爬虫开启的时候建立和数据库的连接,在爬虫关闭的时候断开和数据库的连接

crawlspider类的使用

crawlspider是什么

回顾之前的代码中,我们有很大一部分时间在寻找下一页的url地址或者是内容的url地址上面,这个过程能更简单一些么?

思路:

  • 从response中提取所有的满足规则的url地址
  • 自动的构造自己requests请求,发送给引擎

对应的crawlspider就可以实现上述需求,匹配满足条件的url地址,才发送给引擎,同时能够指定callback函数

认识crawlspider爬虫

创建crawlspdier爬虫的命令

1
scrapy genspider –t crawl itcast itcast.cn

观察爬虫内的默认内容

spider中默认生成的内容如下,其中重点在rules中

  • rules是一个元组或者是列表,包含的是Rule对象
  • Rule表示规则,其中包含LinkExtractor,callbackfollow
  • LinkExtractor:连接提取器,可以通过正则或者是xpath来进行url地址的匹配
  • callback :表示经过连接提取器提取出来的url地址响应的回调函数,可以没有,没有表示响应不会进行回调函数的处理
  • follow:表示进过连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取,True表示会,Flase表示不会
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
class Itcast1Spider(CrawlSpider):
    name = 'itcast1'
    allowed_domains = ['itcast.cn']
    start_urls = ['http://itcast.cn/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #使用xpath进行数据的提取或者url地址的提取
        return i

crawlspider使用的注意点

  • 可以用命令创建一个crawlspider的模板,也可以手动创建
  • CrawlSpider中不能再有以parse为名字的数据提取方法,这个方法被CrawlSpider用来实现基础url提取等功能
  • 一个Rule对象接收很多参数,首先第一个是包含url规则得到LinkExtractor对象,常用的还有callback(制定满足规则的url的解析函数的字符串)和follow(response中提取的链接是否需要跟进)
  • 不指定callback函数的请求下,如果follow为True,满足该rule的url还会继续被请求
  • 如果多个Rule都满足某一个url,会从rules中选择第一个满足的进行操作

crawlspider的补充知识点

LindExtractor更多常见参数:

allow:满足括号中"正则表达式"的url会被提取,如果为空,则全部匹配

deny:满足括号中"正则表达式"的url一定不提取(优先级高于allow)

allow_domains:会被提取的链接的domains

deny_domains:一定不会被提取链接的domains

restrict_xpaths:使用xpath表达式,和allow共同作用过滤链接,即xpath满足范围内的url地址会被提取

spiders.Rule常见参数:

link_extractor:是一个Link Extractor对象,用于定义需要提取的链接

callback:从link_extractor中每获取到链接时,参数所指定的值作为回调函数

follow:是一个布尔值,制定了根据该规则从response提取的链接是否需要跟进。如果callback为None,follow默认设置为True,否则默认为False

process_links:指定该spider中那个的函数将会被调用,从link_extractor中获取到链接列表时将会调用该函数,该方法主要用来过滤url

process_request:指定该spider中那个的函数将会被调用,该规则提取到每个request时都会调用该函数,用来过滤request

下载中间件和模拟登陆

scrapy中下载中间件的使用

使用方法

编写一个Downloader Middlewares和我们编写一个pipeline一样,定义一个类,然后在setting中开启

  1. Downloader Middlewares默认的方法:

    • process_request(self, request, spider):

      • 当每个request通过下载中间件时,该方法被调用。
      • 返回None值:继续请求
      • 返回Response对象:不在请求,把response返回给引擎
      • 返回Request对象:把request对象交给调度器进行后续的请求
    • process_response(self, request, response, spider):

      1
      2
      3
      
       - 当下载器完成http请求,传递响应给引擎的时候调用
       - 返回Resposne:交给process_response来处理
       - 返回Request对象:交给调取器继续请求
      
  2. 定义实现随机User-Agent的下载中间件

    1
    2
    3
    4
    
     class UserAgentMiddleware(object):
         def process_request(self,request,spider):
             agent = random.choice(agents)
             request.headers['User-Agent'] = agent
    
  3. 定义实现随机使用代理的下载中间件

    1
    2
    3
    4
    
     class ProxyMiddleware(object):
         def process_request(self,request,spider):
             proxy = random.choice(proxies)
             request.meta['proxy'] = proxy
    

    User-Agent池在这里

    1
    2
    
     ```python
     USER_AGENTS = [ "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5" ]
    
    1
    
    
    

使用scrapy进行模拟登陆

回顾之前的模拟登陆的方法

  1. requests是如何模拟登陆的?
    1. 直接携带cookies请求页面
    2. 找接口发送post请求存储cookie
  2. selenium是如何模拟登陆的?
    1. 找到对应的input标签,输入文字点击登录

scrapy来说,有两个方法模拟登陆:

1
2
1、直接携带cookie
2、找到发送post请求的url地址,带上信息,发送请求

scrapy携带cookie进行模拟登陆

  1. 携带cookie进行模拟登陆应用场景:

    1. cookie过期时间很长,常见于一些不规范的网站
    2. 能在cookie过期之前把搜有的数据拿到
    3. 配合其他程序使用,比如其使用selenium把登陆之后的cookie获取到保存到本地,scrapy发送请求之前先读取本地cookie
  2. scrapy的start_requests方法的学习

    scrapy中start_url是通过start_requests来进行处理的,其实现代码如下

     1
     2
     3
     4
     5
     6
     7
     8
     9
    10
    11
    12
    13
    14
    15
    
     def start_requests(self):
         cls = self.__class__
         if method_is_overridden(cls, Spider, 'make_requests_from_url'):
             warnings.warn(
                 "Spider.make_requests_from_url method is deprecated; it "
                 "won't be called in future Scrapy releases. Please "
                 "override Spider.start_requests method instead (see %s.%s)." % (
                     cls.__module__, cls.__name__
                 ),
             )
             for url in self.start_urls:
                 yield self.make_requests_from_url(url)
         else:
             for url in self.start_urls:
                 yield Request(url, dont_filter=True)
    

    所以对应的,如果start_url地址中的url是需要登录后才能访问的url地址,则需要重写start_request方法并在其中手动添加上cookie

在settings中开启cookie_debug

在settings.py中通过设置COOKIES_DEBUG=TRUE 能够在终端看到cookie的传递传递过程

scrapy发送post请求

  1. scrapy中发送post请求的方法 通过scrapy.FormRequest能够发送post请求,同时需要添加fromdata参数作为请求体,以及callback

     1
     2
     3
     4
     5
     6
     7
     8
     9
    10
    11
    
     yield scrapy.FormRequest(
                 "https://github.com/session",
                 formdata={
                     "authenticity_token":authenticity_token,
                     "utf8":utf8,
                     "commit":commit,
                     "login":"noobpythoner",
                     "password":"zhoudawei123"
                 },
                 callback=self.parse_login
             )
    
  2. 使用scrapy模拟登陆github

    思路分析

    1. 找到post的url地址

      点击登录按钮进行抓包,然后定位url地址为https://github.com/session

    2. 找到请求体的规律

      分析post请求的请求体,其中包含的参数均在前一次的响应中

    3. 验证是否登录成功

      通过请求个人主页,观察是否包含用户名

      代码实现如下:

       1
       2
       3
       4
       5
       6
       7
       8
       9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
      25
      26
      27
      28
      29
      30
      
      #spider/github.py
      # -*- coding: utf-8 -*-
      import scrapy
      import re
            
      class GithubSpider(scrapy.Spider):
       name = 'github'
       allowed_domains = ['github.com']
       start_urls = ['https://github.com/login']
            
       def parse(self, response):
           authenticity_token = response.xpath("//input[@name='authenticity_token']/@value").extract_first()
           utf8 = response.xpath("//input[@name='utf8']/@value").extract_first()
           commit = response.xpath("//input[@name='commit']/@value").extract_first()
            
           yield scrapy.FormRequest(
               "https://github.com/session",
               formdata={
                   "authenticity_token":authenticity_token,
                   "utf8":utf8,
                   "commit":commit,
                   "login":"noobpythoner",
                   "password":"***"
               },
               callback=self.parse_login
           )
            
       def parse_login(self,response):
           ret = re.findall("noobpythoner",response.text,re.I)
           print(ret)
      

scrapy进行表单提交

  1. 方法介绍

    scrapy中具有一个方法:scrapy.Formrequest.from_response能够自动的从响应中寻找form表单,然后把formdata中的数据提交到action对应的url地址中

    使用实例如下

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
      def parse(self, response):
         yield scrapy.FormRequest.from_response(
             response,#自动的从中寻找action对应的url地址
             formdata={
                 "login":"noobpythoner",
                 "password":"***"
             },
             callback = self.parse_login
         )
    
  2. 使用scrapy.Formrequest.from_response进行模拟登陆github