学习爬虫day05

scrapy架构介绍

# 引擎(EGINE)
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)
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)--->在这里写代码
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)
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EGINE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EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

scrapy解析数据

1 response对象有css方法和xpath方法
    css中写css选择器
    小path中写xpath

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

代码演示

import scrapy
from bs4 import BeautifulSoup


class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']

    def parse(self, response):
        # # 方式一：使用bs4
        # soup = BeautifulSoup(response.text, 'lxml')
        # article_list = soup.find_all(class_='Community-item-active')
        # for article in article_list:
        #     title_name = article.find(name='span', class_='blog-text').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/a/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()
            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

# 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

# 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
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

持久化方案

第一种：了解

1 定义一个空列表，
2 for循环数据，追加到列表中，retun返回这个列表
3 打开控制台输入命令（创建一个文件，将数据保存到文件中）：scrapy crawl cnblogs -o cnblogs.csv

代码演示

import scrapy
from bs4 import BeautifulSoup

class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']
    def parse(self, response):
        data_list = []
        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/a/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()
            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))
            data_list.append(
                {'title_name': title_name, 'author_img': author_img, 'desc': desc, 'author_name': author_name,
                 'article_date': article_date})
        return data_list

第二种：掌握

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

持久化配置

# 持久化配置
ITEM_PIPELINES = {
    'scrapy_01.pipelines.CnblogsFilesPipeline': 300,
    'scrapy_01.pipelines.CnblogsMysqlPipeline': 200,  # 数字越小优先级越高
}

写到了文件中

from itemadapter import ItemAdapter

# 写到了文件中
class CnblogsFilesPipeline:
    # 数据初始化，打开文件，打开数据库链接
    def open_spider(self, spideer):
        self.f = open('cnblods.txt', 'at', encoding='utf-8')

    # 真正存储的地方，注意要返回item,交给后续的pipline继续使用
    def process_item(self, item, spider):
        self.f.write('文章标题：%s,文章作者：%s\n' % (item['title_name'], item['author_name']))
        return item

    # 销毁资源，关闭文件，关闭数据库链接
    def close_spider(self, spider):
        print('关了')
        self.f.close()

写入数据库中

import pymysql


class CnblogsMysqlPipeline:
    # 数据初始化，打开文件，打开数据库链接
    def open_spider(self, spideer):
        # 打开数据库连接
        self.conn = pymysql.connect(
            user='root',
            password='123',
            host='127.0.0.1',
            database='cnblogs',
            port=3306,
            autocommit=True
        )
        self.cursor = self.conn.cursor()

    # 真正存储的地方，注意要返回item,交给后续的pipline继续使用
    def process_item(self, item, spider):
        self.cursor.execute(
            'insert into article (title_name,author_img,`desc`,author_name,article_date,article_content) values (%s,%s,%s,%s,%s,%s)',
            args=[item['title_name'], item['author_img'], item['desc'], item['author_name'],
                  item['article_date', item['article_content']],
                  item['author_name']])
        self.conn.commit()  # 提交
        return item

    # 销毁资源，关闭文件，关闭数据库链接
    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

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)
        # 把详情，写入当前meta中得item中
        item['article_content']=str(article_content)
        yield item

item.py

import scrapy


class CnblogsItem(scrapy.Item):
    title_name = scrapy.Field()
    author_img = scrapy.Field()
    desc = scrapy.Field()
    author_name = scrapy.Field()
    article_date = scrapy.Field()
    url = scrapy.Field()
    article_content = scrapy.Field()

pipelines.py

# 写到了文件中
class CnblogsFilesPipeline:
    # 数据初始化，打开文件，打开数据库链接
    def open_spider(self, spideer):
        self.f = open('cnblods.txt', 'at', encoding='utf-8')

    # 真正存储的地方，注意要返回item,交给后续的pipline继续使用
    def process_item(self, item, spider):
        self.f.write('文章标题：%s,文章作者：%s\n' % (item['title_name'], item['author_name']))
        return item

    # 销毁资源，关闭文件，关闭数据库链接
    def close_spider(self, spider):
        print('关了')
        self.f.close()
# 写到数据库中
import pymysql


class CnblogsMysqlPipeline:
    def open_spider(self, spider):
        # 打开数据库链接
        self.conn = pymysql.connect(
            user='root',
            password="123",
            host='127.0.0.1',
            database='cnblogs',
            port=3306,
            autocommit=True)
        self.cursor = self.conn.cursor()

    def process_item(self, item, spider):
        self.cursor.execute(
            'insert into article (title_name,author_img,`desc`,author_name,article_date,url,article_content) values (%s,%s,%s,%s,%s,%s,%s)',
            args=[item['title_name'], item['author_img'], item['desc'], item['author_name'], item['article_date'],
                  item['url'], item['article_content']])

        # self.conn.commit() # 提交
        return item

    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

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