scrapy的使用

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