一、基础学习
- scrapy框架 介绍：大而全的爬虫组件。 安装： - Win: 下载：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted pip3 install wheel pip install Twisted‑18.4.0‑cp36‑cp36m‑win_amd64.whl pip3 install pywin32 pip3 install scrapy - Linux: pip3 install scrapy 使用： Django: # 创建project django-admin startproject mysite cd mysite # 创建app python manage.py startapp app01 python manage.py startapp app02 # 启动项目 python manage.runserver Scrapy： # 创建project scrapy startproject xdb cd xdb # 创建爬虫 scrapy genspider chouti chouti.com scrapy genspider cnblogs cnblogs.com # 启动爬虫 scrapy crawl chouti 1. 创建project scrapy startproject 项目名称 项目名称 项目名称/ - spiders # 爬虫文件 - chouti.py - cnblgos.py .... - items.py # 持久化 - pipelines # 持久化 - middlewares.py # 中间件 - settings.py # 配置文件（爬虫） scrapy.cfg # 配置文件（部署） 2. 创建爬虫 cd 项目名称 scrapy genspider chouti chouti.com scrapy genspider cnblgos cnblgos.com 3. 启动爬虫 scrapy crawl chouti scrapy crawl chouti --nolog 总结： - HTML解析：xpath - 再次发起请求：yield Request对象
二、eg:爬取抽屉
# -*- coding: utf-8 -*- import scrapy from scrapy.http.response.html import HtmlResponse # import sys,os,io # sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://chouti.com/'] def parse(self, response): # print(response,type(response)) # 对象 # print(response.text) """ from bs4 import BeautifulSoup soup = BeautifulSoup(response.text,'html.parser') content_list = soup.find('div',attrs={'id':'content-list'}) """ # 去子孙中找div并且id=content-list f = open('news.log', mode='a+') item_list = response.xpath('//div[@id="content-list"]/div[@class="item"]') for item in item_list: text = item.xpath('.//a/text()').extract_first() href = item.xpath('.//a/@href').extract_first() print(href,text.strip()) f.write(href+'\n') f.close() page_list = response.xpath('//div[@id="dig_lcpage"]//a/@href').extract() for page in page_list: from scrapy.http import Request page = "https://dig.chouti.com" + page yield Request(url=page,callback=self.parse) # https://dig.chouti.com/all/hot/recent/2
三、知识点
第一部分：scrapy框架 1. scrapy依赖twisted 内部基于事件循环的机制实现爬虫的并发。 原来的你： url_list = ['http://www.baidu.com','http://www.baidu.com','http://www.baidu.com',] for item in url_list: response = requests.get(item) print(response.text) 现在： from twisted.web.client import getPage, defer from twisted.internet import reactor # 第一部分：代理开始接收任务 def callback(contents): print(contents) deferred_list = [] # [(龙泰,贝贝),(刘淞，宝件套),(呼呼,东北)] url_list = ['http://www.bing.com', 'https://segmentfault.com/','https://stackoverflow.com/' ] for url in url_list: deferred = getPage(bytes(url, encoding='utf8')) # (我,要谁) deferred.addCallback(callback) deferred_list.append(deferred) # # 第二部分：代理执行完任务后，停止 dlist = defer.DeferredList(deferred_list) def all_done(arg): reactor.stop() dlist.addBoth(all_done) # 第三部分：代理开始去处理吧 reactor.run() 2. scrapy 命令： scrapy startproject xx cd xx scrapy genspider chouti chouti.com scrapy crawl chouti --nolog 编写： def parse(self,response): # 1.响应 # response封装了响应相关的所有数据： - response.text - response.encoding - response.body - response.request # 当前响应是由那个请求发起；请求中 封装（要访问的url，下载完成之后执行那个函数） # 2. 解析 # response.xpath('//div[@href="x1"]/a').extract_first() # response.xpath('//div[@href="x1"]/a').extract() # response.xpath('//div[@href="x1"]/a/text()').extract() # response.xpath('//div[@href="x1"]/a/@href').extract() # tag_list = response.xpath('//div[@href="x1"]/a') for tag in tag_list: tag.xpath('.//p/text()').extract_first() # 3. 再次发起请求 # yield Request(url='xxxx',callback=self.parse)
四、持久化
今日内容：scrapy - 持久化 pipeline/items - 去重 - cookie - 组件流程： - 下载中间件 - 深度 内容详细： 1. 持久化 目前缺点： - 无法完成爬虫刚开始：打开连接； 爬虫关闭时：关闭连接； - 分工明确 pipeline/items a. 先写pipeline类 class XXXPipeline(object): def process_item(self, item, spider): return item b. 写Item类 class XdbItem(scrapy.Item): href = scrapy.Field() title = scrapy.Field() c. 配置 ITEM_PIPELINES = { 'xdb.pipelines.XdbPipeline': 300, } d. 爬虫，yield每执行一次，process_item就调用一次。 yield Item对象 编写pipeline： from scrapy.exceptions import DropItem class FilePipeline(object): def __init__(self,path): self.f = None self.path = path @classmethod def from_crawler(cls, crawler): """ 初始化时候，用于创建pipeline对象 :param crawler: :return: """ print('File.from_crawler') path = crawler.settings.get('HREF_FILE_PATH') return cls(path) def open_spider(self,spider): """ 爬虫开始执行时，调用 :param spider: :return: """ print('File.open_spider') self.f = open(self.path,'a+') def process_item(self, item, spider): # f = open('xx.log','a+') # f.write(item['href']+'\n') # f.close() print('File',item['href']) self.f.write(item['href']+'\n') # return item # 交给下一个pipeline的process_item方法 raise DropItem()# 后续的 pipeline的process_item方法不再执行 def close_spider(self,spider): """ 爬虫关闭时，被调用 :param spider: :return: """ print('File.close_spider') self.f.close() 注意：pipeline是所有爬虫公用，如果想要给某个爬虫定制需要使用spider参数自己进行处理。
