爬虫七

持久化

把数据保存到磁盘上：文件，mysql

管道

使用步骤：

　　1、写个类：items.py,里面写字段　　　　　

class CnblogItem(scrapy.Item):
　　　　name = scrapy.Field()
　　　　author = scrapy.Field()
　　　　url = scrapy.Field()
　　　　img = scrapy.Field()
　　　　desc_content = scrapy.Field()

　　文本详情

　　text = scrapy.Field()

　　2、配置文件配置（管道，配置多个，存在多个位置，数字越小优先级越高）

　　ITEM_PIPELINES = {
　　　　"scrapy_demo.pipelines.CnblogPipeline": 300,
　　　　"scrapy_demo.pipelines.CnblogMysqlPipeline": 200,
　　}

　　3、爬虫解析中：yield item

　　4、pipelines.py中写类：open_spider，close_spider，process_item

 

爬虫中间件（一般不用）

 

第一步：写个爬虫中间件类

class ScrapyDemoSpiderMiddleware:
    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

走架构图第六步，会触发这里

def process_spider_input(self, response, spider):
        # Called for each response that goes through the spider
        # middleware and into the spider.

        # Should return None or raise an exception.
        return None

架构图走一、七步

 def process_spider_output(self, response, result, spider):
        # Called with the results returned from the Spider, after
        # it has processed the response.

        # Must return an iterable of Request, or item objects.
        for i in result:
            yield i

抛异常

def process_spider_exception(self, response, exception, spider):
        # Called when a spider or process_spider_input() method
        # (from other spider middleware) raises an exception.

        # Should return either None or an iterable of Request or item objects.
        pass

架构图第一步

def process_start_requests(self, start_requests, spider):
        # Called with the start requests of the spider, and works
        # similarly to the process_spider_output() method, except
        # that it doesn’t have a response associated.

        # Must return only requests (not items).
        for r in start_requests:
            yield r

    def spider_opened(self, spider):
        spider.logger.info("Spider opened: %s" % spider.name)

配置文件配置

SPIDER_MIDDLEWARES = {
   "scrapy_demo.middlewares.ScrapyDemoSpiderMiddleware": 543,
}

下载中间件（代理，加请求头，加cookie）

class ScrapyDemoDownloaderMiddleware:

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        # - return None: 继续执行当次请求，继续走下一个中间件---》如果中间件没了---》执行下载
        # - return Response ：直接把Response返回给引擎，引擎交给爬虫去解析
        # - return Request ：把request返回给引擎，引擎给调度器，等待下一次被爬取
        # - 直接抛异常： 触发process_exception执行
        return None

    def process_response(self, request, response, spider):
        # Must either;
        # - return Response：正常爬取完---》给引擎---》引擎给爬虫去解析
        # - return Request： 爬取失败--》给引擎--》引擎给调度器--》等待下次爬取
        # - 抛异常  ：走到process_exception
        return response

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass

    def spider_opened(self, spider):
        spider.logger.info("Spider opened: %s" % spider.name)

加请求头（加到请求对象中）

faker 模块 ：随机生成假数据

pip install fake_useragent：随机生成请求头

#  加referer，加token 加 user-agent

def process_request(self, request, spider):
        #### 加请求头
        print(request.headers)
        request.headers['referer'] = 'http://www.lagou.com'
        request.headers['token'] = 'asdfasdf.asdfads.asfdasfd'
        # user-agent--->写死了---》想随机请求头
        from fake_useragent import UserAgent  #生成随机请求头
        ua = UserAgent()
        request.headers['User-Agent'] = str(ua.random)
        print(request.headers)
        return None

加cookie

 def process_request(self, request, spider):
        print(request.cookies)
        request.cookies['name']='111'
        return None

加代理

在下载中间件的def process_request(self,request,spider)写代码

第一步：

　　在下载中间件中写process_request方法

def get_proxy(self):
        import requests
        res = requests.get('http://127.0.0.1:5010/get/').json()
        if res.get('https'):
            return 'https://' + res.get('proxy')
        else:
            return 'http://' + res.get('proxy')
        
        
        
     def process_request(self, request, spider):
            #request.meta['proxy'] = self.get_proxy()
            request.meta['proxy'] = 'http://192.168.11.11:8888'
            return None

第二步：代理可能不会用，会触发process_exception，在里面写

def process_exception(self, request, exception, spider):
        print('-----',request.url)  # 这个地址没有爬
        return request

scrapy集成selenium

使用scrapy默认下载器---》类似于requests模块发送请求，不能执行js，有的页面拿回来数据不完整

想在scrapy中集成selenium，获取数据更完整，获取完后，自己组装成 Response对象，就会进爬虫解析，现在解析的是使用selenium拿回来的页面，数据更完整

集成selenium 因为有的页面，是执行完js后才渲染完，必须使用selenium去爬取数据才完整

保证整个爬虫中，只有一个浏览器

只要爬取 下一页这种地址，使用selenium，爬取详情，继续使用原来的

 第一步：在爬虫类中写

from selenium import webdriver
class CnblogsSpider(scrapy.Spider):
    bro = webdriver.Chrome() # 使用无头
    bro.implicitly_wait(10)
    def close(spider, reason):
        spider.bro.close() #浏览器关掉

第二步在中间件中

 def process_request(self, request, spider):
        # 爬取下一页这种地址---》用selenium，但是文章详情，就用原来的
        if 'sitehome/p' in request.url:
            spider.bro.get(request.url)
            from scrapy.http.response.html import HtmlResponse
            response = HtmlResponse(url=request.url, body=bytes(spider.bro.page_source, encoding='utf-8'))
            return response
        else:
            return None

 

源码去重规则（布隆过滤）

如果爬取过的地址，就不会再爬了,scrapy 自带去重

调度器可以去重，研究一下，如何去重的——》使用了集合

 要爬取的Request对象，在进入到scheduler调度器排队之前，先执行enqueue_request，它如果return False，这个Request就丢弃掉，不爬了----》如何判断这个Request要不要丢弃掉，执行了self.df.request_seen(request)，它来决定的-----》RFPDupeFilter类中的方法----》request_seen---》会返回True或False----》如果这个request在集合中，说明爬过了，就return True，如果不在集合中，就加入到集合中，然后返回False

调度器源码

from scrapy.core.scheduler import Scheduler
    # 这个方法如果return True表示这个request要爬取，如果return False表示这个网址就不爬了(已经爬过了)
    def enqueue_request(self, request: Request) -> bool:
        # request当次要爬取的地址对象
        if self.df.request_seen(request):
            # 有的请情况，在爬虫中解析出来的网址，不想爬了，就就可以指定
            # yield Request(url=url, callback=self.detail_parse, meta={'item': item},dont_filter=True)
            # 如果符合这个条件，表示这个网址已经爬过了 
            return False
        return True

self.df 去重类 是去重类的对象 RFPDupeFilter--》配置文件配置的

在配置文件中如果配置了：DUPEFILTER_CLASS = 'scrapy.dupefilters.RFPDupeFilter'表示，使用它作为去重类，按照它的规则做去重
    -RFPDupeFilter的request_seen
       def request_seen(self, request: Request) -> bool:
        # request_fingerprint 生成指纹
        fp = self.request_fingerprint(request) #request当次要爬取的地址对象
        #判断 fp 在不在集合中，如果在，return True
        if fp in self.fingerprints:
            return True
        #如果不在，加入到集合，return False
        self.fingerprints.add(fp)
        return False

传进来是个request对象，生成的是指纹

爬取的网址：https://www.cnblogs.com/teach/p/17238610.html?name=lqz&age=19
-和 https://www.cnblogs.com/teach/p/17238610.html?age=19&name=lqz
-它俩是一样的，返回的数据都是一样的，就应该是一条url，就只会爬取一次
-所以 request_fingerprint 就是来把它们做成一样的(核心原理是把查询条件排序，再拼接到后面)

生成指纹，指纹是什么？生成的指纹放到集合中去重

-www.cnblogs.com?name=lqz&age=19
-www.cnblogs.com?age=19&name=lqz
-上面的两种地址生成的指纹是一样的

测试指纹

from scrapy.utils.request import RequestFingerprinter
        from scrapy import Request

        fingerprinter = RequestFingerprinter()
        request1 = Request(url='http://www.cnblogs.com?name=lqz&age=20')
        request2 = Request(url='http://www.cnblogs.com?age=20&name=lqz')

        res1 = fingerprinter.fingerprint(request1).hex()
        res2 = fingerprinter.fingerprint(request2).hex()
        print(res1)
        print(res2)

集合去重，集合中放

 a一个bytes

假设爬了1亿条url，放在内存中，占空间非常大

a6af0a0ffa18a9b2432550e1914361b6bffcff1a
a6af0a0ffa18a9b2432550e191361b6bffc34f1a

想一种方式，极小内存实现去重---》布隆过滤器

https://zhuanlan.zhihu.com/p/94668361

布隆过滤器

极小的内存实现去重：

应用场景：爬虫去重，避免缓存穿透，垃圾邮件过滤

bloomfilter：是一个通过多哈希函数映射要一张表的数据结构，能够快速的判断一个元素在一个集合内是否存在，具有很好的空间和时间效率（典型例子，爬虫url去重）

布隆案例

# 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)

from scrapy.dupefilters import BaseDupeFilter
from scrapy.utils.request import RequestFingerprinter
from pybloom_live import ScalableBloomFilter


class MyPDupeFilter(BaseDupeFilter):
    fingerprints = ScalableBloomFilter(initial_capacity=100, error_rate=0.001,
                                       mode=ScalableBloomFilter.LARGE_SET_GROWTH)
    fingerprinter = RequestFingerprinter()

    def request_seen(self, request):
        print('zoule')
        fp = self.request_fingerprint(request)
        if fp in self.fingerprints:
            return True
        self.fingerprints.add(fp)
        return False

    def request_fingerprint(self, request) -> str:
        return self.fingerprinter.fingerprint(request).hex()

 

分布式爬虫

原来scrapy的Scheduler维护的是本机的任务队列（待爬取的地址）+本机的去重队列（放在集合中）---》在本机内存中

如果把scrapy项目，部署到多台机器上，多台机器爬取的内容是重复的

所以实现分布式爬取的关键就是，找一台专门的主机上运行一个共享的队列比如Redis，然后重写Scrapy的Scheduler，让新的Scheduler到共享队列存取Request，并且去除重复的Request请求，所以总结下来，实现分布式的关键就是三点：

1、多台机器共享队列

2、重写Scheduler，让其无论是去重还是任务都去访问共享队列

3、为Scheduler定制去重规则（利用redis的集合类型）

scrapy-redis实现分布式爬虫

公共的去重

公共的待爬取地址队列

使用步骤：

0 下载：pip install scrapy-redis

1 把之前爬虫类，继承class CnblogsSpider(RedisSpider):

2 去掉起始爬取的地址，加入一个类属性
redis_key = 'myspider:start_urls' # redis列表的key，后期我们需要手动插入起始地址

3 配置文件中配置

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"  # scrapy redis去重类，使用redis的集合去重
        # 不使用原生的调度器了，使用scrapy_redis提供的调度器，它就是使用了redis的列表
        SCHEDULER = "scrapy_redis.scheduler.Scheduler"
        REDIS_HOST = 'localhost'                            # 主机名
        REDIS_PORT = 6379                                   # 端口
        ITEM_PIPELINES = {
       # 'mysfirstscrapy.pipelines.MyCnblogsPipeline': 300,
       'mysfirstscrapy.pipelines.MyCnblogsMySqlPipeline': 301,
        'scrapy_redis.pipelines.RedisPipeline': 400,
    }

4 再不同多台机器上运行scrapy的爬虫，就实现了分布式爬虫

5 写入到redis的列表中起始爬取的地址：列表key:myspider:start_urls
rpush myspider:start_urls https://www.cnblogs.com