爬虫

数据分析三剑客：

概念：是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律

Numpy 支持大量的维度数组与矩阵运算，
Pandas 处理数据丢失，
Matplotlib 是回值曲线图的，

**requests模块 **
text字符串形式的响应数据
json
content 二进制流

proxy="{http:ip:port}

aiohttp模块
text()字符串形式的响应数据
json()
read()二进制类型的数据

requests模块

Response.text:返回的是字符串形式的响应数据
Response.json(): 返回json数据
Response.content:返回的是二进制流（图片，mp3）

urllib的用法

url = 'http://img2.imgtn.bdimg.com/it/u=1718395925,3485808025&fm=26&gp=0.jpg'
urllib.request.urlretrieve(url=url,filename='./123.png')

爬取sogo的页面

url = 'https://www.sogo.com/'
response = requests.get(url=url)
#.text返回的是字符串形式的响应数据
page_text=response.text
with open('./sogou.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

携带动态的参数

url = 'https://www.sogou.com/web?query=jay'
#动态的 参数
wd = input('enter a word:')
param = {
    'query':wd
}
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
#携带了动态的参数进行的请求发送
response = requests.get(url=url,params=param,headers=headers)
#手动修改响应数据 的编码
response.encoding='utf-8'
page_text = response.text
filename = wd+".html"
with open(filename,'w',encoding='utf-8') as fp:
    fp.write(page_text)
print(filename,'下载成功')

**爬取豆瓣电影中电影的详情数据 **

url = 'https://movie.douban.com/j/chart/top_list'
s = input('enter a start:')
l = input('enter a limit:')
header = {
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
param = {
    "type": "24",
    "interval_id": "100:90",
    "action":"" ,
    "start": s,
    "limit":l,
}
response = requests.get(url=url,headers=header,params=param)
page_text = response.text
print(type(page_text))

爬取图片

url='http://img2.imgtn.bdimg.com/it/u=1718395925,3485808025&fm=26&gp=0.jpg'
header = {
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
img_data = requests.get(url=url,headers=header).content

with open('./fj.jpg','wb') as f:
f.write(img_data)

爬取糗事百科中的糗图数据

re.S:单行处理，可以处理换行

import re
import os
import requests
from urllib import request
if not os.path.exists('./qiutuLibs'):
    os.mkdir('./qiutuLibs')  #创建文件呀

#通用的url模板（不可变）
url = 'https://www.qiushibaike.com/pic/page/%d/?s=5205107'
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36"
}
for page in range(1,36):
    new_url = format(url%page)
    page_text = requests.get(url=new_url,headers = header).text
    #数据解析，img的属性值（图片的连接）
    ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
    img_src_list = re.findall(ex,page_text,re.S)
    for src in img_src_list:
        src = 'https:'+src
        img_name = src.split('/')[-1]
        img_path = './qiutuLibs/'+img_name
        request.urlretrieve(src,img_path)
        print(img_name+'下载成功')

第一个反爬机制

robots协议,
特性：防君子不防小人

https和http相关

http协议：客户端和服务器端进行数据交互的形式。
- 常用的请求头信息
  - User-Agent：请求载体的身份标识
  - Connection：close
- 响应头信息
  - content-type

- https：安全的http（加密） 
    - 对称秘钥加密:客户端 - 加密信息 - 服务器（把秘钥很密文同时发送，存在隐患）
    - 非对称秘钥加密：服务端把公钥给客户端，客户端加密后把密文发回服务端（客户端不能保证公钥是哪个指定服务器发的）
    - 证书秘钥加密（***）：证书"：公开秘钥，服务端会产生公开密钥,把秘钥交给证书认证机构，做数字签名，把证书交给客户端，客户端通过公钥给密文加密，然后把密文交给服务端

UA检测

网站会检测当前请求的请求载体的身份标识。

如何破解（uA伪装）

将user-agent对应得数据封装到字典中，将字典作用到请求方法的headers参数中

什么是动态加在数据？

通过ajax或js请求到的数据

如何获取动态加载数据？

在抓包工具中进行全局搜索，定位到动态加载数据对应的数据包，从数据包提取url和参数

Get和post方法中常用的参数

url headers params/data

一、什么是爬虫？

通过编写程序让其模拟浏览器上网，然后去互联网中抓取数据的过程\n",

爬虫的分类

通用爬虫：就是抓取一整张页面源码内容
聚焦爬虫：抓取的是页面中局部的内容
增量式爬虫：可以监测网站数据更新的情况。抓取网站中最新更新出来的数据
反爬机制：对应的载体数网站。
反反爬策略：对应的载体爬虫程序.
探究一下爬虫的合法性：
爬虫本身是不被法律禁止（中立性）
爬取数据的违法风险的体现：
爬虫干扰了被访问网站的正常运营
爬虫抓取了受到法律保护的特定类型的数据或信息
如何规避违法的风险？
严格遵守网站设置的robots协议；
在规避反爬虫措施的同时，需要优化自己的代码，避免干扰被访问网站的正常运行；
在使用、传播抓取到的信息时，应审查所抓取的内容，如发现属于用户的个人信息、隐私或者他人的商业秘密的，应及时停止并删除。

二、数据解析方式

实现数据解析方式

正则，bs4,xpath,pyquery

为什么使用数据解析？

数据解析是实现聚焦爬虫的核心技术，就是在一张页面源码中提取除指定的文本内容

通用解析原理？

要解析提取的数据都是存储在标签中间或者是标签的属性中
1)标签定位
2）取文本或者取属性

通用解决乱码的处理方式

1)  img_title = img_title.encode('iso-8859-1').decode('gbk')
2)  response = requests.get(url=new_url,headers=header)
    response.encoding = 'utf-8'
    page_text = response.text

1.正则解析

re.S:单行处理，可以处理换行

2.bs4解析

解析原理：

1）.实例化一个BeautifulSoup的一个对象，且将即将被解析的页面源码加载到该对象中\n",
2）.需要调用bs对象中相关属性和方法进行标签定位和数据的提取\n",

环境安装

pip install lxml(解析器)\n",
pip install bs4\n",

BeautifulSoup对象的实例化

BeautifulSoup('fp','lxml'):将本地存储的一张html页面中的页面源码加载到bs对象中
BeautifulSoup（page_text,'lxml'）:将互联网请求到的页面源码数据加载到bs对象"

bs相关属性和方法

tagName就是div a标签   
attrName是class  id 属性

soup.tagName  #可以定位到第一次出现的tagName标签，返回值是一个单数  
find('tagName') == soup.tagName"

属性定位

find('tagName',attrName='value'),返回的也是单数  
find_all(): 和find的用法一样，只是返回值是一个列表(复数) 
select('选择器'):id,class,标签，层级选择器,返回值为列表. 
    >表示一个层级 空格表示多个层级

取文本

string定位的是直系的文本内容
text,get_text()定位的是所有的文本内容

取属性

tag['attrName']"

**使用bs 解析本地存储的页面中相关的局部数据 **

from bs4 import BeautifulSoup    
fp = open('./index.html','r',encoding='utf-8')
soup = BeautifulSoup(fp,'lxml')

爬取诗词名句网数据
把数据存在本地

import requests
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36"
}

page_text = requests.get(url=url,headers=header).text
 
#数据解析 ：章节标题和对应得内容
soup = BeautifulSoup(page_text,'lxml')
a_list = soup.select('.book-mulu > ul > li > a')
fp = open('./sanguo.txt','w',encoding='utf-8')
for a in a_list:
    title = a.string
    detail_url = 'http://www.shicimingju.com'+a['href']
#     print(detail_url)
    detail_page_text = requests.get(url=detail_url,headers=header).text
#     print(detail_page_text)
    #解析详情页的页面源码
    soup = BeautifulSoup(detail_page_text,'lxml')
    content = soup.find('div',class_="chapter_content").text
#     content = soup.select('.chapter_content')
#     print(content)
    fp.write(title+':'+content+'\n')
    print(title,'下载成功')
fp.close()

Soup.a: 拿到a标签
soup.find(‘div’,class_=’tang)
soup.select(‘.tang > a’)[1].string: 拿到的是a标签的内容 1是下标索引
Soup.select(‘.tang > img’)[0][‘src’] :s索引为0的img标签，取属性src
.select(‘.tang > ul >li > a’)== .select(‘.tang a’)

3.xpath解析

优点：通用性强
解析原理：
- 1.实例化一个etree的对象，将即将被解析的页面源码加载到该对象中\n",
- 2.调用etree对象中的xpath方法结合着不同的xpath表达式实现标签定位和数据提取
环境安装：
- pip install lxml
etree对象实例化：
- etree.parse('filePath') #解析的是本地
- etree.HTML(page_text) #解析的是浏览器的

xpath 相关的属性和方法

xpath方法返回值是列表
最左侧如果为一个斜杠，则表示必须从跟节点开始进行标签定位
最左侧为两个斜杠，表示可以从任意位置标签定位
非最左侧的一个斜杠表示一个层级，两个斜杠表示多个层级

属性定位

//tagName[@attrName='value']

索引定位

//div[@class=\"tang\"]/ul/li[2] 索引是从1开始

取文本

/text()  //text()

取属性

/@attrName

爬取boss(岗位名称，公司名称，薪资，岗位描述)

from lxml import etree
import requests
tree = etree.parse
url = 'https://www.zhipin.com/job_detail/?query=python%E7%88%AC%E8%99%AB&city=101010100&industry=&position='
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36"
}
page_text = requests.get(url=url,headers=header).text
#解析
tree = etree.HTML(page_text)
li_list =  tree.xpath('//div[@class="job-list"]/ul/li')
for li in li_list:
    jog_name = li.xpath('./div/div[@class="info-primary"]/h3/a/div[1]/text()')[0]
    salary = li.xpath('./div/div[@class="info-primary"]/h3/a/span/text()')[0]
    company = li.xpath('.//div[@class="company-text"]/h3/a/text()')[0]
    detail_url = 'https://www.zhipin.com'+li.xpath('./div/div[@class="info-primary"]/h3/a/@href')[0]
    detail_page_text = requests.get(detail_url,headers=header).text
    #解析详情页中的岗位描述
    tree = etree.HTML(detail_page_text)
    job_desc = tree.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div//text()')
    job_desc = ''.join(job_desc)
    print(jog_name,salary,company,job_desc)
 好处：使用 | 管道符，使得xpath表达式更具有通用性（放到一个列表里）
"tree.xpath('//div[@class=\"bottom\"]/ul/li/a/text() | //div[@class=\"bottom\"]/ul/div[2]/li/a/text()')"

**图片懒加载概念：伪属性 **

图片懒加载是一种网页优化技术。图片作为一种网络资源，在被请求时也与普通静态资源一样，将占用网络资源，而一次性将整个页面的所有图片加载完，将大大增加页面的首屏加载时间。为了解决这种问题，通过前后端配合，使图片仅在浏览器当前视窗内出现时才加载该图片（真属性），达到减少首屏图片请求数的技术就被称为“图片懒加载

网站一般如何实现图片懒加载技术呢？

在网页源码中，在img标签中首先会使用一个“伪属性”（通常使用src2，original......）去存放真正的图片链接而并非是直接存放在src属性中。当图片出现到页面的可视化区域中，会动态将伪属性替换成src属性，完成图片的加载

HTTPConnectionPool（host:XX）Max retries exceeded with url

错误产生的原因

爬虫在短时间内发起了高频的网络请求，请求对应的ip就会被服务器端禁
连接池资源被耗尽

处理方式：

在headers里加connection：“close”, 或是改IP

代理

代理：代理服务器
基于代理的网站
- 站大爷
- goubanjia
- 快代理
- 西祠代理
代理的匿名度
- 透明：使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP\n",
- 匿名：对方服务器可以知道你使用了代理，但不知道你的真实IP。\n",
- 高匿：对方服务器不知道你使用了代理，更不知道你的真实IP\n",
类型
- http：代理服务器只可以转发http协议的请求\n",
- https：代理服务器只可以转发https协议的请求\n",
编码：
- 在get或者post方法中应用一个proxies的参数，给其参数赋值为

例

url = 'https://www.baidu.com/s?wd=ip'
page_text = requests.get(url,headers=header,proxies={'http':'113.108.242.36:47713'}).text
with open('./ip.html','w',encoding='utf-8') as f:
    f.write(page_text)

动态请求参数：

出现在post请求参数中
通常情况下动态参数往往都被隐藏在了前台页面中

cookie处理

处理方式
- 手动处理：将cookie的键值对手动添加到headers字典中，然后将headers作用到get或者post方法的headers参数中
- 自动处理：使用Session。\n",
  - session作用：session可以和requests一样进行请求的发送\n",
  - 特性：使用session发起请求，如果请求过程中产生cookie，则cookie会被自动存储到session中"

例爬取雪球网

url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=-1&count=10&category=-1'
# requests.get(url,headers=header).text
#创建一个session对象
session = requests.Session()
#获取cookie
session.get('https://xueqiu.com/',headers=header,verify=False, timeout=5)
#response_cookie = session.cookies.get_dict()

#携带cookie进行的请求发送
session.get(url,headers=header).json()

参数： timeout=5 ：设置超时时间
参数verify默认是True,为了避免ssl认证，可以将verify=False, 但是这么设置会带来一个问题，日志中会有大量的warning信息, 如下面

/Library/Python/2.7/site-packages/urllib3/connectionpool.py:847: InsecureRequestWarning: Unverified HTTPS request is being made. Adding certificate verification is strongly advised. See: https://urllib3.readthedocs.io/en/latest/advanced-usage.html#ssl-warnings

InsecureRequestWarning)

这并不影响结果的正确性，如果想把这些报错信息去掉
解决办法：

#第一种：
from requests.packages.urllib3.exceptions import InsecureRequestWarning,InsecurePlatformWarning
#禁用安全请求警告
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
requests.packages.urllib3.disable_warnings(InsecurePlatformWarning)
requests.packages.urllib3.disable_warnings()

#第二种，只需要在请求的地方加上requests.packages.urllib3.disable_warnings()
import requests
requests.packages.urllib3.disable_warnings()
requests.get(url=url, verify=False, timeout=5)

模拟登陆

什么是模拟登陆
- 使用requests对登陆按钮的请求进行发送
  （能够爬取到登录成功之后的相关页面数据）
为什么要模拟登陆
- 有的页面必须登陆之后才显示
  验证码的识别
线上的打码平台：超级鹰，云打码，打码兔......
超级鹰：http://www.chaojiying.com/
超级鹰的使用流程
- 注册：用户中心身份的账户
- 登陆：
  - 查看提分的剩余
  - 创建一个软件ID：软件ID-》生成一个软件ID（ID的名称和说明）
  - 下载示例代码：开发文档-》选择语言-》点击下载

例：使用超级鹰识别验证码图片

先导入它里边的类方法（要是用pycharm,就把他封装到一个py文件里）执行

例：模拟登陆

爬虫中的异步操作

线程池（适当）
单线程+多任务异步协程（推荐）
- 协程:coroutine
- 任务对象:stask
- 事件循环对象：event_loop

多任务异步协程（并发）：提升爬去效率

协程：对象 coroutine。如果一个函数在定义的时候被async修饰了，则该函数被调用的时候会返回一个协程对象，函数内部的程序语句不会其调用的时候被执行（特殊的函数）
任务对象：对象，就是对协程的进一步封装。任务对象协程特殊的函数.任务对象中可以显示
协程的相关状态。任务对象可以被绑定一个回调。
- 绑定回调：
事件循环：无限（不确定循环次数）的循环。需要向其内部注册多个任务对象（特殊的函数）。
async：专门用来修饰函数
await:挂起

单线程+多任务异步协成
asyncio模块：协成
aiohttp模块：异步协成

基于异步的操作

协成操作

Aiohttp模块实现多任务异步爬虫

selenium模块

Pyppeteer(支持异步) ==selenium(不支持)
Pyppeteer通用性和适用性不强

概念

模块。基于浏览器自动化的模块。

爬虫之间的关联
- 实现模拟登陆
- 非常便捷的获取动态加载的页面数据
环境的安装：pip install selenium
selenium的基本使用
- 实例化一个浏览器对象（必须将浏览器的驱动程序进行加载）
- 驱动程序下载：http://chromedriver.storage.googleapis.com/index.html
- 映射关系表：http://blog.csdn.net/huilan_same/article/details/51896672\n",
- 通过代码指定相关的行为动作
  Js window.scrollTo(0,document.body.scrollHeight):滚条跳到尾

例

Selenium 如何规避网站监测

正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为
undefined。而使用selenium访问则该值为true
Selenium 访问值为true，就是被检测了，
只需要设置Chromedriver的启动参数即可，参数'excludeSwitches',他的值为['enable-automation']

iframe

分析发现定位的a标签出现在iframe标签之下，则必须通过switch_to.frame操作后，才可以进行标签定位

phantomJs:是一个无可视化界面的浏览器

例：谷歌浏览器

from selenium import webdriver
from time import sleep
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')

# 实例化了一个谷歌浏览器对象且将驱动程序进行了加载\n",
bro = webdriver.Chrome(executable_path='./chromedriver.exe',chrome_options=chrome_options)
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

bro.save_screenshot('./1.png')   #截图，看看无可视化界面跑哪了
print(bro.page_source)

scrapy框架

抓包工具
fiddler mitmproxy, 青花瓷（发送请求来提取数据的，相当于代理）

移动端数据爬取

抓包工具：
- fiddler，mitmproxy，青花瓷
fiddlers相关配置
在手机中安装抓包工具的证书
将手机网络和fidders所在的机器配置到同一网段中
在手机中访问fidder服务器的一张子页面进行证书下载（信任和安装）
（手机）网络代理配置：
- 将手机进行代理设置
- 代理ip：fidders所在机器的ip
- 端口：fidder自己的端口

概念
就是一个具有很强通用性且已经集成了很多功能的项目模板

scrapy功能（不带任何可视化界面），效率优于pyspider

高性能的数据解析
高性能的持久化存储
中间件
分布式
异步的数据下载(基于twisted实现)
pyspider框架：有可视化界面

环境安装
linux

pip install scrapy

windows

          a. pip3 install wheel

          b. 下载twisted  http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

          c. 进入下载目录，执行 pip3 install 
            Twisted17.1.0cp35cp35mwin_amd64.whl

          d. pip3 install pywin32

          e. pip3 install scrapy

spider使用

创建一个工程：scrapy startproject ProName
- cd ProName
- 在爬虫文件夹（spiders）中创建一个爬虫文件:scrapy genspider spiderName www.x.com
- 配置文件：
  - 进行UA伪装
  - 不遵从robots
  - 日志等级的指定 LOG_LEVEL = 'ERROR'
- 执行工程：scrapy crawl spiderName

持久化存储

基于终端指令
- 使用：可以将parse方法的返回值存储到本地磁盘文件中
- 指令：scrapy crawl spiderName -o filePath
- 好处：便捷
- 弊端：局限性强，只可以将数据存储到指定后缀的文本文件，只可以将数据存储到文件，不能存到数据库中(后缀：'json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle')
基于管道
- 编码流程：
  - 数据解析
  - 在item类中进行相关属性定义
  - 将解析的数据封装到item类型的对象中
  - 将item对象提交给管道
  - 管道接收item然后调用process_item方法进行数据的持久化存储
  - 将管道开启

使用

（1）配置setting

author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()  
content = div.xpath('./a/div/span//text()').extract()
content = ''.join(content)
div.xpath(‘’) [0] #取得是<Selector >对象 
extract_first() #取得是单数 
extract（）#取得是复数放在列表里，通过
content = ''.join(content)拼接得到内容

（2）存储到本地

基于管道
- 数据解析
- 在item类中进行相关属性定义

将解析的数据封装到item类型的对象中

from firstBlood.items import FirstbloodItem
def parse(self, response): # response就是<200 https://www.baidu.com/>
div_list = response.xpath('//*[@id="content-left"]/div')
# 观察发现：解析出的字符串数据都存储在了Selector对象中
for div in div_list:
author = div.xpath(
'./div[1]/a[2]/h2/text()').extract_first() # [0]取得是
content = div.xpath('./a/div/span//text()').extract()
content = ''.join(content)
#实例化item对象
item = FirstbloodItem()
# 将解析的数据封装到item中
item['author'] = author #将解析到的author存储到item对象的author属性中
item['content'] = content
# 将item提交给管道
yield item

管道接收item然后调用process_item方法进行数据的持久存本地

对应的是一种数据存储的方式

class FirstbloodPipeline(object):
# 保证文件只打开一次
f = None
def open_spider(self,spider):
print('开始爬虫')
self.f = open('qiubai.txt','w',encoding='utf-8')

  # item就是用来接收爬虫文件提交过来的item对象
  # process_item每接收一个item就会被调用一次
  def process_item(self, item, spider):
      print(item)
      self.f.write(item['author']+':'+item['content']+'\n')
      return item

  def close_spider(self,spider):
      print('结束爬虫')
      self.f.close()

将管道开启
300优先级，数值越小优先级越高
执行

2）存MySQL中在pip2lines.py中写

# 存在MySQL数据库
class mysqlPileLine(object):
    conn = None
    cursor = None
    def open_spider(self,spider):
        self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='',db='spider',charset='utf8')
        self.cursor = self.conn.cursor()
        print(self.conn)
    def process_item(self,item,spider):
        sql = 'insert into qiubai values ("%s","%s")'%(item['author'],item['content'])
        try:
            self.cursor.execute(sql)
            self.conn.commit()
        except Exception as e:
            print(e)
            self.conn.rollback()

        return item
    def close_spider(self,spider):
        self.cursor.close()
        self.conn.close()
改配置
ITEM_PIPELINES = {
   # 'firstBlood.pipelines.mysqlPileLine': 301,

在终端建库，建表，查看

3）存redis数据库中
将redis的版本切换到2.10.6 pip install -U redis==2.10.6

class redisPileLiine(object):
    conn = None
    def open_spider(self,spider):
        self.conn = Redis(host='127.0.0.1',port=6379)
    def process_item(self,item,spider):
        # 将redis的版本切换到2.10.6  pip install -U redis==2.10.6
        dic = {
            'author':item['author'],
            'content':item['content']
        }
        self.conn.lpush('qiubai',dic)

改配置

ITEM_PIPELINES = {

'firstBlood.pipelines.redisPileLiine': 302,
启动redis
keys *
llen qiubai :查看长度

ImagesPileline类

在piplines.py

#定制指定父类的管道类
class ImgPileline(ImagesPipeline):
    #根据图片地址进行图片数据的请求
    def get_media_requests(self,item,info):
        #不需要指定回调函数

        yield scrapy.Request(url=item['img_src'])

    # 指定图片存储的名称
    def file_path(self,request,response=None,info=None):
        url = request.url   #图片地址
        name = url.split('/')[-1]

        return name

    #将item传递给下一个即将被执行的管道类
    def item_completed(self,results,item,info):
        return item

在setting里

ITEM_PIPELINES = {

'imgPro.pipelines.ImgPileline': 300,
}

三、Scrapy五大核心组件

每一个组件的作用

组件之间的工作流程
- 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。

使用场景：

爬取的数据不在同一张页面中
Request(url,callback,meta={xx:xx}):meta就可以传递个callback
callback接受meta：response.meta

例：

url = 'https://www.4567tv.tv/index.php/vod/show/class/%E5%8A%A8%E4%BD%9C/id/1/page/2.html'

page_num = 2
def detail_parse(self,response):
desc = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()').extract_first()
item = response.meta['item']
item['desc'] = desc
yield item

def parse(self, response):
li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li')
for li in li_list:
name = li.xpath('./div/a/@title').extract_first()
detail_url = 'https://www.4567tv.tv'+li.xpath('./div/a/@href').extract_first()
item = MovieproItem()
item['name'] = name
# meta是一个字典，可以将meta传递给callback
yield scrapy.Request(detail_url,callback=self.detail_parse,meta={'item':item})

Scrapy的相关配置：

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。

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’

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

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

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

整理：

数据解析：response.xpath()

scrapy的xpath和etree的xpath的区别：
- xpath返回的列表元素的类型不一样
- extract() extract_first()
细节处理：
- 什么时候需要编写多个管道类
- 场景：爬取到的数据一份存入本地文件，一份存储mysql，redis
管道文件中管道类表示什么含义？
- 一个管道类对应一种持久化存储的方式
- process_item中返回值的作用：
  - return item：将item传递给下一个即将被执行的管道类
- 基于Spider父类的全站数据爬取
  - 手动请求发送
    - yield scrapy.Request(url,callback):callback指定解析方法 (get)
yield scrapy.Request(url=new_url,callback=self.parse) #get请求
```
      - yield scrapy.FormRequest(url,callback,formdata)#post请求
      - 对起始url列表发起post请求：
          def start_requests(self):
               for url in self.start_urls:
                   yield scrapy.FormRequest(url,formdata={},callback=self.parse)

  - 注意：scrapy如果发起post请求，scrapy会自动处理cookie
```

反爬虫机制
3.1 使用代理
适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。

这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。

  proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
  Requests：
import requests
response = requests.get(url=url, proxies=proxies)
  Urllib2：
import urllib2
proxy_support = urllib2.ProxyHandler(proxies)
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象
response = urllib2.urlopen(url)

3.2 时间设置

适用情况：限制频率情况。

Requests，Urllib2都可以使用time库的sleep()函数

  import time
  time.sleep(1)

3.3 伪装成浏览器，或者反“反盗链”

有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。

  headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站

headers = {'Referer':'XXXXX'}
headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
Requests：
response = requests.get(url=url, headers=headers)
Urllib2：
import urllib, urllib2
req = urllib2.Request(url=url, headers=headers)
response = urllib2.urlopen(req)

posted on 2020-08-18 20:01 xm微微一笑阅读(133) 评论(0) 编辑收藏举报

刷新页面返回顶部

爬虫