今日内容概要
- scrapy架构和目录介绍
- scrapy解析数据
- setting中相关配置
- 全站爬取cnblgos文章
- 存储数据
- 爬虫中间件和下载中间件
- 加代理，加header，集成selenium
内容详细
1、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
1.1 项目目录介绍
cnblogs_spider # 项目名字
-cnblogs_spider # 项目下一级文件夹
--spiders # 项目下二级文件夹，下面放了一个个爬虫文件
---__init__.py
---cnblogs.py # 创建的一个个的爬虫文件
-__init__.py
-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.py写存储
1.2 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）
1.3 py文件直接运行爬虫
# 在项目根目录下创建一个运行脚本
# 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']) # 不打印日志
cmdline.execute(['scrapy', 'crawl', 'cnblogs']) # 打印日志
2、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
3、setting中相关配置
3.1 基本配置
# 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
3.2 提高爬虫效率
# 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
4、全站爬取cnblgos文章
# 只爬了首页---》下一页，文章详情页没有爬取
# 文章--》文章对象(标题，作者，摘要，详情。。。)---》把整站都爬取完成
4.1 request和response对象传递参数
# 在request中通过meta传递
yield Request(url=article_url,callback=self.parse_detail,meta={'item':item})
# 在response中通过meta取出
item=response.meta.get('item')
4.2 解析出下一页地址并继续爬取
# 使用
yield Request(url=article_url,callback=self.parse_detail,meta={'item':item})
yield Request(url=next_url)
5、存储数据
# 关于mysql出现Data too long for column的解决方案 打开my.ini，将其中sql-mode节中的STRICT_TRANS_TABLES这个属性去掉；
pipelines.py：
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="123",
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,`desc`,detail,author_name,author_img) values (%s,%s,%s,%s,%s)',
# args=[item['title'], item['desc'], item['detail'], item['author_name'],
# item['author_img'], ])
return item
def close_spider(self, spider):
print('我关了')
self.cursor.close()
self.conn.close()
class CnblogsSpiderFilePipeline:
def process_item(self, item, spider):
return item
6、爬虫中间件和下载中间件
# 爬虫和下载中间件要使用，需要在配置文件中:
SPIDER_MIDDLEWARES = {
'crawl_cnblogs.middlewares.CrawlCnblogsSpiderMiddleware': 5,
}
DOWNLOADER_MIDDLEWARES = {
'crawl_cnblogs.middlewares.CrawlCnblogsDownloaderMiddleware': 5,
}
# 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
