【数据采集】第三次实验

实验 1

1.1 题目

指定一个网站，爬取这个网站中的所有的所有图片，例如中国气象网（http://www.weather.com.cn），分别使用单线程和多线程的方式爬取。(限定爬取图片数量为学号后3位)

输出信息: 将下载的Url信息在控制台输出，并将下载的图片存储在images子文件中，并给出截图。

1.2 思路

1.2.1 发送请求

  • 构造请求头
import requests,re
import urllib

headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}

url = "http://www.weather.com.cn/"
request = urllib.request.Request(url, headers=headers)
  • 发送请求
request = urllib.request.Request(url, headers=headers)
r = urllib.request.urlopen(request)

1.2.2 解析网页

页面解析，并且替换回车，方便后续进行正则匹配图片。

html = r.read().decode().replace('\n','')

image-20211027110330755

1.2.3 获取结点

使用正则匹配，先获取所有的a标签，然后爬取a标签下面的所有图片

urlList = re.findall('<a href="(.*?)" ',html,re.S)

获取所有的图片

allImageList = []
for k in urlList:
    try:
        request = urllib.request.Request(k, headers=headers)
        r = urllib.request.urlopen(request)
        html = r.read().decode().replace('\n','')
        imgList = re.findall(r'<img.*?src="(.*?)"', html, re.S)
        allImageList+=imgList
    except Exception as e:
        pass

这里的请求其实也是要用多线程爬取的，所有后续会补上！

1.2.4 数据保存 (单线程)

for i, img in enumerate(allImageList[:102]):
    print(f"正在保存第{i + 1}张图片 路径:{img}")
    resp = requests.get(img)
    with open(f'./image/{img.split("/")[-1]}', 'wb') as f:  # 保存到这个image路径下
        f.write(resp.content)

image-20211027110644257

1.2.4 数据保存 (多线程)

  • 引入多进程模块
import threading
# 多线程
def download_imgs(imgList,limit):
    threads = []
    T = [
        threading.Thread(target = download, args=(url,i))
        for i, url in enumerate(imgList[:limit + 1])
    ]
    for t in T:
        t.start()
        threads.append(t)
    return threads
  • 编写下载函数
def download(img_url,name):
    resp = requests.get(img_url)
    try:
        resp = requests.get(img_url)
        with open(f'./images/{name}.jpg', 'wb') as f:
                f.write(resp.content)
    except Exception as e:
        print(f"下载失败: {name} {img_url} -> {e}")
    else:
        print(f"下载完成: {name} {img_url}")

就很随机

image-20211027110955637

实验 2

2.1 题目

使用scrapy框架复现作业①

2.2 思路

2.2.1 setting.py

  • 解除限制
ROBOTSTXT_OBEY = False
  • 设置保存图片的路径
IMAGES_STORE = r'.\images'  # 保存文件的路径
  • 打开pipelines
ITEM_PIPELINES = {    
'weatherSpider.pipelines.WeatherspiderPipeline': 300,
}
  • 设置请求头
DEFAULT_REQUEST_HEADERS = {    
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',    
'Accept-Language': 'en',    
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.16 Safari/537.36',
}

2.2.2 item.py

  • 设置要爬取的字段
class WeatherspiderItem(scrapy.Item):    
number = scrapy.Field()    
pic_url = scrapy.Field()

2.2.3 wt_Spider.py

  • 发送请求
    def start_requests(self):        
      yield scrapy.Request(self.start_url, callback=self.parse)
  • 获取页面所有的a标签
    def parse(self, response):
        html = response.text
        urlList = re.findall('<a href="(.*?)" ', html, re.S)
        for url in urlList:
            self.url = url
            try:
                yield scrapy.Request(self.url, callback=self.picParse)
            except Exception as e:
                print("err:", e)
                pass
  • 再次请求所有的a标签下面的网址，再找所有的图片返回
    def picParse(self, response):
        imgList = re.findall(r'<img.*?src="(.*?)"', response.text, re.S)
        for k in imgList:
            if self.total > 102:
                return 
            try:
                item = WeatherspiderItem()
                item['pic_url'] = k
                item['number'] = self.total
                self.total += 1
                yield item
            except Exception as e:
                pass
  • 那么与存入数据库类似，数据处理全部都应该在pipelines.py中处理，也就是说，pipelines还是要发送请求

2.2.4 pipelines.py

  • 导入setting信息
from weatherSpider.settings import IMAGES_STORE as images_store      # 读取配置文件的信息
from scrapy.pipelines.images import ImagesPipeline
settings = get_project_settings()
  • 编写保存函数
    def get_media_requests(self, item, info):
        image_url = item["pic_url"]
        yield Request(image_url)
  • 这里优化的话，应该保存文件的时候重命名会好一点！

image-20211027111759905

实验 3

3.1 题目

爬取豆瓣电影数据使用scrapy和xpath，并将内容存储到数据库，同时将图片存储在 imgs路径下。

3.2 思路

3.2.1 setting.py

  • 解除限制
ROBOTSTXT_OBEY = False
  • 数据库配置
HOSTNAME = '127.0.0.1'
PORT = 3306
DATABASE = 'scrapy_douban'
USERNAME = 'root'
PASSWORD = 'root'
  • 请求头
DEFAULT_REQUEST_HEADERS = {    
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',    
'Accept-Language': 'en',    
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.16 Safari/537.36',}
  • 开启pipelines
ITEM_PIPELINES = {
   'doubanSpider.pipelines.DoubanspiderPipeline': 300,
}

3.2.2 item.py

  • 定义爬取的内容字段
class DoubanspiderItem(scrapy.Item):
    number = scrapy.Field()
    name = scrapy.Field()
    direct = scrapy.Field()
    actor = scrapy.Field()
    info = scrapy.Field()
    score = scrapy.Field()
    movie_img = scrapy.Field()

3.2.3 db_Spider.py

  • 观察网页，发现翻页规律

第二页

image-20211027112213118

第三页

image-20211027112230597

所以我们就看到规律了！

  • 初始信息
    page = 0
    start_url = 'https://movie.douban.com/top250'
    next_url = 'https://movie.douban.com/top250?start=%s&filter='
  • 爬取信息
        lis = response.xpath('//*[@id="content"]/div/div[1]/ol/li')
        for k in lis:
            number = k.xpath('div/div[1]/em/text()').extract()
            title = k.xpath('div/div[2]/div[1]/a/span[1]/text()').extract()
            directT = k.xpath('div/div[2]/div[2]/p[1]/text()').extract()
            score = k.xpath('div/div[2]/div[2]/div/span[2]/text()').extract()
            info = k.xpath('div/div[2]/div[2]/p[2]/span/text()').extract()
            img_url = k.xpath('div/div[1]/a/img/@src').extract()
            tmp = directT[0].split("主演:")
  • 错误处理

这里有两个地方需要处理

  1. 导演和演员

image-20211027112545181

我是按照字符串分割进行选择这个导演和主演的！所有可能只出现主这个字的情况

所有进行以下处理

            tmp = directT[0].split("主演:")
            if len(tmp) < 2:
                dt = tmp[0].split("导演:")
                dt = dt[1]
                ar = ""
            else:
                dt = tmp[0].split("导演:")
                dt = dt[1]
                ar = tmp[1]
  1. 另外我发现有一些的简介是没有的！

image-20211027112834906

所以采用extract_first进行处理,那么没有的就是当作空来处理了

info = k.xpath('div/div[2]/div[2]/p[2]/span/text()').extract_first()

3.2.4 pipelines.py

  • 数据库连接
    def __init__(self):
        # 获取setting中主机名，端口号和集合名
        host = settings['HOSTNAME']
        port = settings['PORT']
        dbname = settings['DATABASE']
        username = settings['USERNAME']
        password = settings['PASSWORD']
        self.conn = pymysql.connect(host=host, port=port, 
                                    user=username, password=password, 
                                    database=dbname,charset='utf8')
        self.cursor = self.conn.cursor()
  • 插入数据库中
def process_item(self, item, spider):
    data = dict(item)
    print("data",data)
    sql = "INSERT INTO spider_douban(m_number,m_name,direct,actor,info,score,movie_img)" \
          " VALUES (%s,%s, %s, %s,%s, %s, %s)"
    print("sql",sql)
    try:
        self.conn.commit()
        self.cursor.execute(sql, [data["number"],
                                  data["name"],
                                  data["direct"],
                                  data["actor"],
                                  data["info"],
                                  data["score"],
                                  data["movie_img"],
                                  ])
        print("插入成功")
    except Exception as err:
        print("插入失败", err)
    return item

image-20211027113000202

  • 保存图片
    我们新建一个pipelines来进行图片的保存，然后重命名为电影名字

一定要在这里添加你新的pipelines类

为什么两个pipelines类不写在一起呢？是因为我所用的是scrapy自带的保存image的pipelines，他的这个类ImagesPipeline已经有__init__

那能不能写在一起呢？是可以的！可以用类的继承。但是有一点要注意的是这个Image类的init是有settings这个参数的，所以我们上面的settings要改成setting，才能不冲突！并且使用spuer调用父类init方法

但是很奇怪的一点是我们要注释这段代码才能执行保存图片这个操作

3

所以还是建议多写一个downloadPiplines类去保存图片！这样就可以一边插入数据库，一边下载图片了

代码地址

https://gitee.com/cocainecong/spider-experiment

心得

  1. 巩固了python的多线程模块，但是还是不熟练，还要多加练习
  2. 熟悉了scrapy框架
  3. 对于爬取的数据也能处理到一些坑点，比如豆瓣缺失的值
posted @ 2021-10-27 11:34  FanOne  阅读(166)  评论(0)  编辑  收藏  举报
← → ↓ ↑