Python之爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

Requests

1 pip3 install requests 
2                         # 模拟浏览器发送请求
3             # 内部创建 sk = socket.socket()
4             # 和抽屉进行socket连接 sk.connect(...)
5             # sk.sendall('...')
6             # sk.recv(...)
7 pip3 install beautifulsoup4 
8                         #from bs4 import BeautifulSoup
9                         #处理正则匹配相关的

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

 1 import urllib2
 2 import json
 3 import cookielib
 4 
 5 
 6 def urllib2_request(url, method="GET", cookie="", headers={}, data=None):
 7     """
 8     :param url: 要请求的url
 9     :param cookie: 请求方式，GET、POST、DELETE、PUT..
10     :param cookie: 要传入的cookie，cookie= 'k1=v1;k1=v2'
11     :param headers: 发送数据时携带的请求头，headers = {'ContentType':'application/json; charset=UTF-8'}
12     :param data: 要发送的数据GET方式需要传入参数，data={'d1': 'v1'}
13     :return: 返回元祖，响应的字符串内容 和 cookiejar对象
14     对于cookiejar对象，可以使用for循环访问：
15         for item in cookiejar:
16             print item.name,item.value
17     """
18     if data:
19         data = json.dumps(data)
20 
21     cookie_jar = cookielib.CookieJar()
22     handler = urllib2.HTTPCookieProcessor(cookie_jar)
23     opener = urllib2.build_opener(handler)
24     opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])
25     request = urllib2.Request(url=url, data=data, headers=headers)
26     request.get_method = lambda: method
27 
28     response = opener.open(request)
29     origin = response.read()
30 
31     return origin, cookie_jar
32 
33 
34 # GET
35 result = urllib2_request('http://127.0.0.1:8001/index/', method="GET")
36 
37 # POST
38 result = urllib2_request('http://127.0.0.1:8001/index/',  method="POST", data= {'k1': 'v1'})
39 
40 # PUT
41 result = urllib2_request('http://127.0.0.1:8001/index/',  method="PUT", data= {'k1': 'v1'})
封装urllib请求

Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

1、GET请求

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 1、无参数实例
 
import requests
 
ret = requests.get('https://github.com/timeline.json')
 
print ret.url
print ret.text
 
 
 
# 2、有参数实例
 
import requests
 
payload = {'key1': 'value1', 'key2': 'value2'}
ret = requests.get("http://httpbin.org/get", params=payload)
 
print ret.url
print ret.text

向 https://github.com/timeline.json 发送一个GET请求，将请求和响应相关均封装在 ret 对象中。

2、POST请求

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 1、基本POST实例
 
import requests
 
payload = {'key1': 'value1', 'key2': 'value2'}
ret = requests.post("http://httpbin.org/post", data=payload)
 
print ret.text
 
 
# 2、发送请求头和数据实例
 
import requests
import json
 
url = 'https://api.github.com/some/endpoint'
payload = {'some': 'data'}
headers = {'content-type': 'application/json'}
 
ret = requests.post(url, data=json.dumps(payload), headers=headers)
 
print ret.text
print ret.cookies

向https://api.github.com/some/endpoint发送一个POST请求，将请求和相应相关的内容封装在 ret 对象中。

3、其他请求

1
2
3
4
5
6
7
8
9
10
requests.get(url, params=None, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.head(url, **kwargs)
requests.delete(url, **kwargs)
requests.patch(url, data=None, **kwargs)
requests.options(url, **kwargs)
 
# 以上方法均是在此方法的基础上构建
requests.request(method, url, **kwargs)

requests模块已经将常用的Http请求方法为用户封装完成，用户直接调用其提供的相应方法即可，其中方法的所有参数有：

 1 def request(method, url, **kwargs):
 2     """Constructs and sends a :class:`Request <Request>`.
 3 
 4     :param method: method for the new :class:`Request` object.
 5     :param url: URL for the new :class:`Request` object.
 6     :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
 7     :param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.
 8     :param json: (optional) json data to send in the body of the :class:`Request`.
 9     :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.
10     :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.
11     :param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': ('filename', fileobj)}``) for multipart encoding upload.
12     :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.
13     :param timeout: (optional) How long to wait for the server to send data
14         before giving up, as a float, or a :ref:`(connect timeout, read
15         timeout) <timeouts>` tuple.
16     :type timeout: float or tuple
17     :param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.
18     :type allow_redirects: bool
19     :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.
20     :param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.
21     :param stream: (optional) if ``False``, the response content will be immediately downloaded.
22     :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.
23     :return: :class:`Response <Response>` object
24     :rtype: requests.Response
25 
26     Usage::
27 
28       >>> import requests
29       >>> req = requests.request('GET', 'http://httpbin.org/get')
30       <Response [200]>
31     """
32 
33     # By using the 'with' statement we are sure the session is closed, thus we
34     # avoid leaving sockets open which can trigger a ResourceWarning in some
35     # cases, and look like a memory leak in others.
36     with sessions.Session() as session:
37         return session.request(method=method, url=url, **kwargs)
更多参数

更多requests模块相关的文档见：http://cn.python-requests.org/zh_CN/latest/

自动登陆抽屉并点赞

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
### 1、首先登陆任何页面，获取cookie
 
i1 = requests.get(url= "http://dig.chouti.com/help/service")
 
### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权
i2 = requests.post(
    url= "http://dig.chouti.com/login",
    data= {
        'phone': "86手机号",
        'password': "密码",
        'oneMonth': ""
    },
    cookies = i1.cookies.get_dict()
)
 
### 3、点赞（只需要携带已经被授权的gpsd即可）
gpsd = i1.cookies.get_dict()['gpsd']
i3 = requests.post(
    url="http://dig.chouti.com/link/vote?linksId=8589523",
    cookies={'gpsd': gpsd}
)
print(i3.text)

“破解”微信公众号

“破解”微信公众号其实就是使用Python代码自动实现【登陆公众号】->【获取观众用户】-> 【向关注用户发送消息】。

注：只能向48小时内有互动的粉丝主动推送消息

1、自动登陆

分析对于Web登陆页面，用户登陆验证时仅做了如下操作：

  • 登陆的URL：https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN
  • POST的数据为：

        {
             'username': 用户名,
             'pwd': 密码的MD5值,
             'imgcode': "", 
             'f': 'json'
        }
    注：imgcode是需要提供的验证码，默认无需验证码，只有在多次登陆未成功时，才需要用户提供验证码才能登陆

  • POST的请求头的Referer值，微信后台用次来检查是谁发送来的请求
  • 请求发送并登陆成功后，获取用户响应的cookie，以后操作其他页面时需要携带此cookie 
  • 请求发送并登陆成功后，获取用户相应的内容中的token
 1 # -*- coding:utf-8 -*- 
 2 import requests
 3 import time
 4 import hashlib
 5 
 6 
 7 def _password(pwd):
 8     ha = hashlib.md5()
 9     ha.update(pwd)
10     return ha.hexdigest()
11 
12 def login():
13     
14     login_dict = {
15         'username': "用户名",
16         'pwd': _password("密码"),
17         'imgcode': "",
18         'f': 'json'
19     }
20 
21     login_res = requests.post(
22         url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
23         data=login_dict,
24         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})
25 
26     # 登陆成功之后获取服务器响应的cookie
27     resp_cookies_dict = login_res.cookies.get_dict()
28     # 登陆成功后，获取服务器响应的内容
29     resp_text = login_res.text
30     # 登陆成功后，获取token
31     token = re.findall(".*token=(\d+)", resp_text)[0]
32 
33     print resp_text
34     print token
35     print resp_cookies_dict
36 
37 login()
登陆代码

登陆成功获取的相应内容如下：

1
2
3
4
5
响应内容：
{"base_resp":{"ret":0,"err_msg":"ok"},"redirect_url":"\/cgi-bin\/home?t=home\/index&lang=zh_CN&token=537908795"}
 
响应cookie：
{'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'CaoX+QA0ZA9LRZ4YM3zZkvedyCY8mZi0XlLonPwvBGkX0/jY/FZgmGTq6xGuQk4H', 'slave_user': 'gh_5abeaed48d10', 'slave_sid': 'elNLbU1TZHRPWDNXSWdNc2FjckUxalM0Y000amtTamlJOUliSnRnWGRCdjFseV9uQkl5cUpHYkxqaGJNcERtYnM2WjdFT1pQckNwMFNfUW5fUzVZZnFlWGpSRFlVRF9obThtZlBwYnRIVGt6cnNGbUJsNTNIdTlIc2JJU29QM2FPaHZjcTcya0F6UWRhQkhO'}

2、访问其他页面获取用户信息

分析用户管理页面，通过Pyhton代码以Get方式访问此页面，分析响应到的 HTML 代码，从中获取用户信息：

  • 获取用户的URL：https://mp.weixin.qq.com/cgi-bin/user_tag?action=get_all_data&lang=zh_CN&token=登陆时获取的token
  • 发送GET请求时，需要携带登陆成功后获取的cookie
    1
    {'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'C4YM3zZ...
  • 获取当前请求的响应的html代码
  • 通过正则表达式获取html中的指定内容（Python的模块Beautiful Soup）
  • 获取html中每个用户的 data-fakeid属性，该值是用户的唯一标识，通过它可向用户推送消息
 1 # -*- coding:utf-8 -*- 
 2 import requests
 3 import time
 4 import hashlib
 5 import json
 6 import re
 7 
 8 LOGIN_COOKIES_DICT = {}
 9 
10 def _password(pwd):
11     ha = hashlib.md5()
12     ha.update(pwd)
13     return ha.hexdigest()
14 
15 def login():
16     
17     login_dict = {
18         'username': "用户名",
19         'pwd': _password("密码"),
20         'imgcode': "",
21         'f': 'json'
22     }
23 
24     login_res = requests.post(
25         url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
26         data=login_dict,
27         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})
28 
29     # 登陆成功之后获取服务器响应的cookie
30     resp_cookies_dict = login_res.cookies.get_dict()
31     # 登陆成功后，获取服务器响应的内容
32     resp_text = login_res.text
33     # 登陆成功后，获取token
34     token = re.findall(".*token=(\d+)", resp_text)[0]
35 
36     return {'token': token, 'cookies': resp_cookies_dict}
37 
38 
39 def standard_user_list(content):
40     content = re.sub('\s*', '', content)
41     content = re.sub('\n*', '', content)
42     data = re.findall("""cgiData=(.*);seajs""", content)[0]
43     data = data.strip()
44     while True:
45         temp = re.split('({)(\w+)(:)', data, 1)
46         if len(temp) == 5:
47             temp[2] = '"' + temp[2] + '"'
48             data = ''.join(temp)
49         else:
50             break
51 
52     while True:
53         temp = re.split('(,)(\w+)(:)', data, 1)
54         if len(temp) == 5:
55             temp[2] = '"' + temp[2] + '"'
56             data = ''.join(temp)
57         else:
58             break
59 
60     data = re.sub('\*\d+', "", data)
61     ret = json.loads(data)
62     return ret
63 
64 
65 def get_user_list():
66 
67     login_dict = login()
68     LOGIN_COOKIES_DICT.update(login_dict)
69 
70     login_cookie_dict = login_dict['cookies']
71     res_user_list = requests.get(
72         url= "https://mp.weixin.qq.com/cgi-bin/user_tag",
73         params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},
74         cookies = login_cookie_dict,
75         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
76     )
77     user_info = standard_user_list(res_user_list.text)
78     for item in user_info['user_list']:
79         print "%s %s " % (item['nick_name'],item['id'],)
80     
81 get_user_list()
代码实现

3、发送消息

分析给用户发送消息的页面，从网络请求中剖析得到发送消息的URL，从而使用Python代码发送消息：

  • 发送消息的URL：https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=登陆时获取的token放在此处&lang=zh_CN
  • 从登陆时相应的内容中获取：token和cookie
  • 从用户列表中获取某个用户唯一标识： fake_id
  • 封装消息，并发送POST请求
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    send_dict = {
        'token': 登陆时获取的token,
        'lang': "zh_CN",
        'f': 'json',
        'ajax': 1,
        'random': "0.5322618900912392",
        'type': 1,
        'content': 要发送的内容,
        'tofakeid': 用户列表中获取的用户的ID,
        'imgcode': ''
    }
    		 
  1 # -*- coding:utf-8 -*- 
  2 import requests
  3 import time
  4 import hashlib
  5 import json
  6 import re
  7 
  8 LOGIN_COOKIES_DICT = {}
  9 
 10 def _password(pwd):
 11     ha = hashlib.md5()
 12     ha.update(pwd)
 13     return ha.hexdigest()
 14 
 15 def login():
 16     
 17     login_dict = {
 18         'username': "用户名",
 19         'pwd': _password("密码"),
 20         'imgcode': "",
 21         'f': 'json'
 22     }
 23 
 24     login_res = requests.post(
 25         url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",
 26         data=login_dict,
 27         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})
 28 
 29     # 登陆成功之后获取服务器响应的cookie
 30     resp_cookies_dict = login_res.cookies.get_dict()
 31     # 登陆成功后，获取服务器响应的内容
 32     resp_text = login_res.text
 33     # 登陆成功后，获取token
 34     token = re.findall(".*token=(\d+)", resp_text)[0]
 35 
 36     return {'token': token, 'cookies': resp_cookies_dict}
 37 
 38 
 39 def standard_user_list(content):
 40     content = re.sub('\s*', '', content)
 41     content = re.sub('\n*', '', content)
 42     data = re.findall("""cgiData=(.*);seajs""", content)[0]
 43     data = data.strip()
 44     while True:
 45         temp = re.split('({)(\w+)(:)', data, 1)
 46         if len(temp) == 5:
 47             temp[2] = '"' + temp[2] + '"'
 48             data = ''.join(temp)
 49         else:
 50             break
 51 
 52     while True:
 53         temp = re.split('(,)(\w+)(:)', data, 1)
 54         if len(temp) == 5:
 55             temp[2] = '"' + temp[2] + '"'
 56             data = ''.join(temp)
 57         else:
 58             break
 59 
 60     data = re.sub('\*\d+', "", data)
 61     ret = json.loads(data)
 62     return ret
 63 
 64 
 65 def get_user_list():
 66 
 67     login_dict = login()
 68     LOGIN_COOKIES_DICT.update(login_dict)
 69 
 70     login_cookie_dict = login_dict['cookies']
 71     res_user_list = requests.get(
 72         url= "https://mp.weixin.qq.com/cgi-bin/user_tag",
 73         params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},
 74         cookies = login_cookie_dict,
 75         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
 76     )
 77     user_info = standard_user_list(res_user_list.text)
 78     for item in user_info['user_list']:
 79         print "%s %s " % (item['nick_name'],item['id'],)
 80     
 81 
 82 def send_msg(user_fake_id, content='啥也没发'):
 83 
 84     login_dict = LOGIN_COOKIES_DICT
 85     
 86     token = login_dict['token']
 87     login_cookie_dict = login_dict['cookies']
 88 
 89     send_dict = {
 90         'token': token,
 91         'lang': "zh_CN",
 92         'f': 'json',
 93         'ajax': 1,
 94         'random': "0.5322618900912392",
 95         'type': 1,
 96         'content': content,
 97         'tofakeid': user_fake_id,
 98         'imgcode': ''
 99     }
100    
101     send_url = "https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=%s&lang=zh_CN" % (token,)
102     message_list = requests.post(
103         url=send_url, 
104         data=send_dict, 
105         cookies=login_cookie_dict, 
106         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}
107     )
108 
109 
110 get_user_list()
111 fake_id = raw_input('请输入用户ID:')
112 content = raw_input('请输入消息内容:')
113 send_msg(fake_id, content)
发送消息代码

以上就是“破解”微信公众号的整个过程，通过Python代码实现了自动【登陆微信公众号平台】【获取用户列表】【指定用户发送消息】。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

  • 引擎(Scrapy)
    用来处理整个系统的数据流处理, 触发事务(框架核心)
  • 调度器(Scheduler)
    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（抓取网页的网址或者说是链接）的优先队列, 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(Downloader)
    用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
  • 爬虫(Spiders)
    爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
  • 项目管道(Pipeline)
    负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
  • 下载器中间件(Downloader Middlewares)
    位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
  • 爬虫中间件(Spider Middlewares)
    介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
  • 调度中间件(Scheduler Middewares)
    介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来，并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体（Item）,则交给实体管道进行进一步的处理
  6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

1
pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

1
scrapy startproject your_project_name

自动创建目录：

1
2
3
4
5
6
7
8
9
project_name/
   scrapy.cfg
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

文件说明：

  • scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
  • items.py    设置数据存储模板，用于结构化数据，如：Django的Model
  • pipelines    数据处理行为，如：一般结构化的数据持久化
  • settings.py 配置文件，如：递归的层数、并发数，延迟下载等
  • spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
 
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/hua/",
    ]
 
    def parse(self, response):
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())
 
        current_url = response.url
        body = response.body
        unicode_body = response.body_as_unicode()

3、运行

进入project_name目录，运行命令

1
scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os
 
 
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]
 
    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去
 
        hxs = HtmlXPathSelector(response)
 
        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
            for i in range(len(items)):
                src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
                school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                if src:
                    ab_src = "http://www.xiaohuar.com" + src[0]
                    file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))
                    file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
                    urllib.urlretrieve(ab_src, file_path)
 
        # 获取所有的url，继续访问，并在其中寻找相同的url
        all_urls = hxs.select('//a/@href').extract()
        for url in all_urls:
            if url.startswith('http://www.xiaohuar.com/list-1-'):
                yield Request(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

 1 from scrapy.selector import Selector
 2 from scrapy.http import HtmlResponse
 3 html = """<!DOCTYPE html>
 4 <html>
 5 <head lang="en">
 6     <meta charset="UTF-8">
 7     <title></title>
 8 </head>
 9 <body>
10     <li class="item-"><a href="link.html">first item</a></li>
11     <li class="item-0"><a href="link1.html">first item</a></li>
12     <li class="item-1"><a href="link2.html">second item</a></li>
13 </body>
14 </html>
15 """
16 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
17 ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
18 print(ret)
正则选择器
 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 
 4 import scrapy
 5 import hashlib
 6 from tutorial.items import JinLuoSiItem
 7 from scrapy.http import Request
 8 from scrapy.selector import HtmlXPathSelector
 9 
10 
11 class JinLuoSiSpider(scrapy.spiders.Spider):
12     count = 0
13     url_set = set()
14 
15     name = "jluosi"
16     domain = 'http://www.jluosi.com'
17     allowed_domains = ["jluosi.com"]
18 
19     start_urls = [
20         "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
21     ]
22 
23     def parse(self, response):
24         md5_obj = hashlib.md5()
25         md5_obj.update(response.url)
26         md5_url = md5_obj.hexdigest()
27         if md5_url in JinLuoSiSpider.url_set:
28             pass
29         else:
30             JinLuoSiSpider.url_set.add(md5_url)
31             hxs = HtmlXPathSelector(response)
32             if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
33                 item = JinLuoSiItem()
34                 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
35                 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
36                 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
37                 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()
38 
39                 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()
40 
41                 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
42                 product_list = []
43                 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
44                 for i in range(2,len(product_tr)):
45                     temp = {
46                         'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
47                         'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
48                     }
49                     product_list.append(temp)
50 
51                 item['product_list'] = product_list
52                 yield item
53 
54             current_page_urls = hxs.select('//a/@href').extract()
55             for i in range(len(current_page_urls)):
56                 url = current_page_urls[i]
57                 if url.startswith('http://www.jluosi.com'):
58                     url_ab = url
59                     yield Request(url_ab, callback=self.parse)
选择器规则Demo
def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)
获取响应cookies

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# -*- coding: utf-8 -*-
 
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class JieYiCaiItem(scrapy.Item):
 
    company = scrapy.Field()
    title = scrapy.Field()
    qq = scrapy.Field()
    info = scrapy.Field()
    more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 
 4 import scrapy
 5 import hashlib
 6 from beauty.items import JieYiCaiItem
 7 from scrapy.http import Request
 8 from scrapy.selector import HtmlXPathSelector
 9 from scrapy.spiders import CrawlSpider, Rule
10 from scrapy.linkextractors import LinkExtractor
11 
12 
13 class JieYiCaiSpider(scrapy.spiders.Spider):
14     count = 0
15     url_set = set()
16 
17     name = "jieyicai"
18     domain = 'http://www.jieyicai.com'
19     allowed_domains = ["jieyicai.com"]
20 
21     start_urls = [
22         "http://www.jieyicai.com",
23     ]
24 
25     rules = [
26         #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
27         #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
28         #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
29         #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
30     ]
31 
32     def parse(self, response):
33         md5_obj = hashlib.md5()
34         md5_obj.update(response.url)
35         md5_url = md5_obj.hexdigest()
36         if md5_url in JieYiCaiSpider.url_set:
37             pass
38         else:
39             JieYiCaiSpider.url_set.add(md5_url)
40             
41             hxs = HtmlXPathSelector(response)
42             if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
43                 item = JieYiCaiItem()
44                 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
45                 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
46                 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
47                 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
48                 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
49                 yield item
50 
51             current_page_urls = hxs.select('//a/@href').extract()
52             for i in range(len(current_page_urls)):
53                 url = current_page_urls[i]
54                 if url.startswith('/'):
55                     url_ab = JieYiCaiSpider.domain + url
56                     yield Request(url_ab, callback=self.parse)
spider

此处代码的关键在于：

  • 将获取的数据封装在了Item对象中
  • yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）
 1 # -*- coding: utf-8 -*-
 2 
 3 # Define your item pipelines here
 4 #
 5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
 7 
 8 import json
 9 from twisted.enterprise import adbapi
10 import MySQLdb.cursors
11 import re
12 
13 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
14 phone_re = re.compile(r'(\d+-\d+|\d+)')
15 
16 class JsonPipeline(object):
17 
18     def __init__(self):
19         self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')
20 
21 
22     def process_item(self, item, spider):
23         line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
24         self.file.write(line)
25         return item
26 
27 class DBPipeline(object):
28 
29     def __init__(self):
30         self.db_pool = adbapi.ConnectionPool('MySQLdb',
31                                              db='DbCenter',
32                                              user='root',
33                                              passwd='123',
34                                              cursorclass=MySQLdb.cursors.DictCursor,
35                                              use_unicode=True)
36 
37     def process_item(self, item, spider):
38         query = self.db_pool.runInteraction(self._conditional_insert, item)
39         query.addErrback(self.handle_error)
40         return item
41 
42     def _conditional_insert(self, tx, item):
43         tx.execute("select nid from company where company = %s", (item['company'][0], ))
44         result = tx.fetchone()
45         if result:
46             pass
47         else:
48             phone_obj = phone_re.search(item['info'][0].strip())
49             phone = phone_obj.group() if phone_obj else ' '
50 
51             mobile_obj = mobile_re.search(item['info'][1].strip())
52             mobile = mobile_obj.group() if mobile_obj else ' '
53 
54             values = (
55                 item['company'][0],
56                 item['qq'][0],
57                 phone,
58                 mobile,
59                 item['info'][2].strip(),
60                 item['more'][0])
61             tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)
62 
63     def handle_error(self, e):
64         print 'error',e
pipelines

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

1
2
3
4
5
ITEM_PIPELINES = {
    'beauty.pipelines.DBPipeline': 300,
    'beauty.pipelines.JsonPipeline': 100,
}
# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

 

更多请参见Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

参考博客：https://www.cnblogs.com/wupeiqi/articles/5354900.html

BeautifulSoup库的使用：https://www.cnblogs.com/alex3714/articles/8413580.html

Urllib库的基本使用：https://www.cnblogs.com/alex3714/articles/8359358.html

posted on 2019-06-24 23:04  始终不够啊  阅读(223)  评论(0)  编辑  收藏  举报