今日内容 scrapy的使用 提高爬虫效率

• scrapy架构介绍

引擎(ENGINE)
   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。有关详细信息，请参见上面的数据流部分

调度器(SCHEDULER)
   用来接收引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回，可以想象成一个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)
   用于下载网页内容，并 将网页内容返回给ENGINE，下载器是建立在twisted这个高效的异步模型上的

爬虫(SPIDERS)>>>在这里写代码
   SPIDERS是开发人员自定义的类，用来解析response，并且提取items，或者发送新的请求

项目管道(ITEM PIPLINES)
   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)
   位于Scrapy引擎和下载器之间，主要用来处理从ENGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，你可用该中间件做以下几件事：设置请求头，设置cookie，使用代理，集成selenium、

爬虫中间件(Spider Middlewares)
   位于ENGINE和SPIDERS之间，主要工作是处理SPIDERS的输入(即response)和输出(即requests)

• scrapy解析数据

response对象有css方法和xpath方法
   css中写css选择器
   xpath中写xpath选择器

xpath取文本内容

'.//a[contains(@class,"link-title")]/text()'

xpath取属性

'.//a[contains(@class,"link-title")]/@href'

xpath取文本

'a.link-title::text'

css取属性

'img.image-scale::attr(src)'

取一个

.extract_first()

取所有

.extract()

class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']
 
    def parse(self, response):
        # response类似于requests模块的response对象
        # print(response.text)
        # 返回的数据，解析数据：
        # 方式一：使用bs4(不用了)
        # soup=BeautifulSoup(response.text,'lxml')
        # article_list=soup.find_all(class_='post-item')
        # for article in article_list:
        #     title_name=article.find(name='a',class_='post-item-title').text
        #     print(title_name)
 
        # 方式二：scrapy自带的解析（css，xpath）
        # css解析
        # article_list = response.css('article.post-item')
        # for article in article_list:
        #     title_name = article.css('section>div>a::text').extract_first()
        #     author_img = article.css('p.post-item-summary>a>img::attr(src)').extract_first()
        #     desc_list = article.css('p.post-item-summary::text').extract()
        #     desc = desc_list[0].replace('\n', '').replace(' ', '')
        #     if not desc:
        #         desc = desc_list[1].replace('\n', '').replace(' ', '')
        #
        #     author_name = article.css('section>footer>a>span::text').extract_first()
        #     article_date = article.css('section>footer>span>span::text').extract_first()
        #     # 文章详情内容，因为在下一页，先不着急
        #     print('''
        #     文章标题：%s
        #     作者头像：%s
        #     摘要：%s
        #     作者名字：%s
        #     发布日期：%s
        #     ''' % (title_name, author_img, desc, author_name, article_date))
 
        #xpath选择器
        article_list = response.xpath('//article[contains(@class,"post-item")]')
        for article in article_list:
            title_name = article.xpath('./section/div/a/text()').extract_first()
            author_img = article.xpath('./section/div/p//img/@src').extract_first()
            desc_list = article.xpath('./section/div/p/text()').extract()
            desc = desc_list[0].replace('\n', '').replace(' ', '')
            if not desc:
                desc = desc_list[1].replace('\n', '').replace(' ', '')
 
            author_name = article.xpath('./section/footer/a/span/text()').extract_first()
            article_date = article.xpath('./section/footer/span/span/text()').extract_first()
            # 文章详情内容，因为在下一页，先不着急
            print('''
            文章标题：%s
            作者头像：%s
            摘要：%s
            作者名字：%s
            发布日期：%s
            ''' % (title_name,author_img,desc,author_name,article_date))
 

• settings相关配置，提高爬取效率

基础的一些

#1  是否遵循爬虫协议
ROBOTSTXT_OBEY = False
#2 LOG_LEVEL 日志级别
LOG_LEVEL='ERROR'  # 报错如果不打印日志，在控制台看不到错误
 
# 3 USER_AGENT
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
 
# 4 DEFAULT_REQUEST_HEADERS 默认请求头
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}
 
# 5 SPIDER_MIDDLEWARES 爬虫中间件
#SPIDER_MIDDLEWARES = {
#    'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
#}
# 6 DOWNLOADER_MIDDLEWARES  下载中间件
#DOWNLOADER_MIDDLEWARES = {
#    'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
#}
 
# 7 ITEM_PIPELINES 持久化配置
#ITEM_PIPELINES = {
#    'cnblogs.pipelines.CnblogsPipeline': 300,
#}
 
 
#8 爬虫项目名字
BOT_NAME = 'myfirstscrapy'
 
#9 指定爬虫类的py文件的位置
SPIDER_MODULES = ['myfirstscrapy.spiders']
NEWSPIDER_MODULE = 'myfirstscrapy.spiders'

增加爬虫的爬取效率

方法1 增加并发 默认16：

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

方法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'

方法3 禁止cookie

如果不是真的需要cookie，则在srcapy爬取数据时可以禁止cookie从而减少CPU的使用率，提取爬取效率。在配置文件中编写：COOKIES_ENABLED = False

方法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

方法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。在配置文件中编写：DOWNLOAD_TIMEOUT = 10 # 超时时间为10s

• 持久化方案

# 保存到硬盘上---》持久化
 
# 两种方案，第二种常用
	-第一种：了解
        -解析函数中parse，要return [{},{},{}]
        -scrapy crawl cnblogs -o 文件名(json,pickle,csv结尾)
    -方案二：使用pipline  常用的，管道形式，可以同时存到多个位置的
    	-1 在items.py中写一个类[相当于写django的表模型]，继承scrapy.Item
        -2 在类中写属性，写字段，所有字段都是scrapy.Field类型
            title = scrapy.Field()
        -3 在爬虫中导入类，实例化得到对象，把要保存的数据放到对象中
            item['title'] = title   【不要使用. 放】
            解析类中 yield item
        -4 修改配置文件，指定pipline，数字表示优先级，越小越大
            ITEM_PIPELINES = {
        'crawl_cnblogs.pipelines.CrawlCnblogsPipeline': 300,
            }
        -5 写一个pipline：CrawlCnblogsPipeline
            -open_spider:数据初始化，打开文件，打开数据库链接
            -process_item：真正存储的地方
                -一定不要忘了return item，交给后续的pipline继续使用
            -close_spider：销毁资源，关闭文件，关闭数据库链接

• 全站爬取cnblogs文章

# 第一页爬完后，要保存的数据已经保存了
#接下来要做两个事：
	1 继续爬取下一页：解析出下一页的地址，包装成request对象
    2 继续爬取详情页：解析出详情页地址，包装成request对象
    
# 现在在这不能保存了，因为数据不全，缺了文章详情，把文章详情加入后，再一次性保存

request和response对象传递参数

# Request创建：在parse中，for循环中，创建Request对象时，传入meta
	yield Request(url=url, callback=self.detail_parse,meta={'item':item})
    
# Response对象：detail_parse中，通过response取出meta取出item，把文章详情写入
	yield item

解析下一页并继续爬取

import scrapy
from bs4 import BeautifulSoup
from myfirstscrapy.items import CnblogsItem
from scrapy import Request
 
 
# from scrapy.http.request import Request
class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']
 
    def parse(self, response):
        # item = CnblogsItem()  # 外面定义，会有问题
        article_list = response.xpath('//article[contains(@class,"post-item")]')
        for article in article_list:
            item = CnblogsItem()  # 定义在for内部，每次都是一个新对象
            title_name = article.xpath('./section/div/a/text()').extract_first()
            author_img = article.xpath('./section/div/p//img/@src').extract_first()
            desc_list = article.xpath('./section/div/p/text()').extract()
            desc = desc_list[0].replace('\n', '').replace(' ', '')
            if not desc:
                desc = desc_list[1].replace('\n', '').replace(' ', '')
            author_name = article.xpath('./section/footer/a/span/text()').extract_first()
            article_date = article.xpath('./section/footer/span/span/text()').extract_first()
            url = article.xpath('./section/div/a/@href').extract_first()
            # 文章详情内容，因为在下一页，先不着急
            item['title_name'] = title_name
            item['author_img'] = author_img
            item['desc'] = desc
            item['author_name'] = author_name
            item['article_date'] = article_date
            item['url'] = url
            # print(url)
            # 现在不存了，因为数据不全，等全了以后再存，继续爬取，就要创建Request对象
            # 详情页面，使用self.detail_parse解析
            yield Request(url=url, callback=self.detail_parse,meta={'item':item})
 
        # 解析出下一页地址
        # css
        next_url = 'https://www.cnblogs.com' + response.css('div.pager>a:last-child::attr(href)').extract_first()
        print(next_url)
        yield Request(url=next_url, callback=self.parse)
 
    def detail_parse(self, response):
        # print(len(response.text))
        item=response.meta.get('item')
        # 解析详情
        article_content=response.css('div.post').extract_first()
        # print(article_content)
        # print('===================')
        # 把详情，写入当前meta中得item中
        item['article_content']=str(article_content)
        yield item
 

• 爬虫和下载中间件

# scrapy的所有中间件都写在middlewares.py中，跟djagno非常像，做一些拦截
 
# 爬虫中间件（用的很少，了解即可）
	MyfirstscrapySpiderMiddleware
        def process_spider_input(self, response, spider): # 进入爬虫会执行它
        def process_spider_output(self, response, result, spider): #从爬虫出来会执行它
        def process_spider_exception(self, response, exception, spider):#出了异常会执行
        def process_start_requests(self, start_requests, spider):#第一次爬取执行
        def spider_opened(self, spider): #爬虫开启执行
# 下载中间件
	MyfirstscrapyDownloaderMiddleware
        def process_request(self, request, spider): # request对象从引擎进入到下载器会执行
    	def process_response(self, request, response, spider):# response对象从下载器进入到引擎会执行
    	def process_exception(self, request, exception, spider):#出异常执行它
    	def spider_opened(self, spider): #爬虫开启执行它
            
            
        #重点：process_request，process_response
 
        
# 下载中间件的process_request
	-返回值：
        - return None: 继续执行下面的中间件的process_request
        - return a Response object： 不进入下载中间件了，直接返回给引擎，引擎把它通过6给爬虫
        - return a Request object：不进入中间件了，直接返回给引擎，引擎把它放到调度器中
        - raise IgnoreRequest: process_exception() 抛异常，会执行process_exception
 
# 下载中间件的process_response
	-返回值：
       - return a Response object：正常，会进入到引擎，引擎把它给爬虫
       - return a Request object： 会进入到引擎，引擎把它放到调度器中，等待下次爬取
       - raise IgnoreRequest     会执行process_exception