python Scrapy爬蟲(chóng)框架的使用

更新時(shí)間：2021年01月21日 10:37:37 作者：測(cè)神

這篇文章主要介紹了python Scrapy爬蟲(chóng)框架的使用，幫助大家更好的理解和使用python，感興趣的朋友可以了解下

　　導(dǎo)讀：如何使用scrapy框架實(shí)現(xiàn)爬蟲(chóng)的4步曲？什么是CrawSpider模板？如何設(shè)置下載中間件？如何實(shí)現(xiàn)Scrapyd遠(yuǎn)程部署和監(jiān)控？想要了解更多，下面讓我們來(lái)看一下如何具體實(shí)現(xiàn)吧！

Scrapy安裝（mac）

pip install scrapy

注意：不要使用commandlinetools自帶的python進(jìn)行安裝，不然可能報(bào)架構(gòu)錯(cuò)誤；用brew下載的python進(jìn)行安裝。

Scrapy實(shí)現(xiàn)爬蟲(chóng)

新建爬蟲(chóng)

scrapy startproject demoSpider，demoSpider為項(xiàng)目名。

確定目標(biāo)

編寫(xiě)items.py，如添加目標(biāo)字段：person = scrapy.Field()

制作爬蟲(chóng)

scrapy genspider demo "baidu.com"，創(chuàng)建demo爬蟲(chóng)文件，指定爬取域。

修改demo.py里的start_urls的地址為自己想爬取的地址如：https://www.cnblogs.com/teark/

隨意修改parse()方法，如保存所爬取的頁(yè)面，可以這樣：

def parse(self, response):
  with open("teark.html", "w") as f:
    f.write(response.text)

運(yùn)行爬蟲(chóng)，看看效果：scrapy crawl demo

有了保存的頁(yè)面后（可注釋掉或刪掉保存頁(yè)面的代碼），根據(jù)頁(yè)面結(jié)構(gòu)提取所需數(shù)據(jù)，一般用xpath表達(dá)式，如：

def parse(self, response):
  for _ in response.xpath("http://div[@class='teark_article']"):
    item = ItcastItem()
    title = each.xpath("h3/text()").extract()
    content = each.xpath("p/text()").extract()
    item['title'] = title[0]
    item['content'] = content[0]
    yield item

保存數(shù)據(jù)：scrapy crawl demo -o demo.json（以下格式都行：jsonl，jsonl，csv，xml）

注：該過(guò)程在取值中經(jīng)常需要頁(yè)面調(diào)試，使用scrapy shell（最好先安裝ipython，有語(yǔ)法提示），調(diào)試好了再放到代碼里，如：

scrapy shell "https://www.cnblogs.com/teark/"
response.xpath('//*[@class="even"]')
print site[0].xpath('./td[2]/text()').extract()[0]

處理內(nèi)容

pipline常用來(lái)存儲(chǔ)內(nèi)容，pipline.py中必須實(shí)現(xiàn)process_item()方法，該方法必須返回Item對(duì)象，如：

import json

class ItcastJsonPipeline(object):

  def __init__(self):
    self.file = open('demo.json', 'wb')

  def process_item(self, item, spider):
    content = json.dumps(dict(item), ensure_ascii=False) + "\n"
    self.file.write(content)
    return item

  def close_spider(self, spider):
    self.file.close()

在settings.py中添加ITEM_PIPELINES配置，如：

ITEM_PIPELINES = {
  "demoSpider.pipelines.DemoJsonPipeline":300
}

重新啟動(dòng)爬蟲(chóng)：scrapy crawl demo，看看當(dāng)前目錄是否生成demo.json

CrawlSpiders

CrawlSpider是spider的派生類(lèi)，為了從爬取的網(wǎng)頁(yè)中獲取link并繼續(xù)爬取。

快速創(chuàng)建 CrawlSpider模板：scrapy genspider -t crawl baidu baidu.com

Rule類(lèi)制定了爬取規(guī)則；LinkExtractors類(lèi)為了提取鏈接，如：

scrapy shell "http://teark.com/article.php?&start=0#a"

from scrapy.linkextractors import LinkExtractor

# 注意轉(zhuǎn)義字符&
page_lx = LinkExtractor(allow=('comment.php?\&start=\d+'))
page_lx.extract_links(response)

測(cè)試完后就知道了allow和rules了，修改spider代碼：

#提取匹配 'http://teark.com/article.php?&start=\d+'的鏈接
page_lx = LinkExtractor(allow = ('start=\d+'))

rules = [
  #提取匹配,并使用spider的parse方法進(jìn)行分析;并跟進(jìn)鏈接(沒(méi)有callback意味著follow默認(rèn)為T(mén)rue)
  Rule(page_lx, callback = 'parseContent', follow = True)
]

注：callback 千萬(wàn)不能寫(xiě) 'parse'

Logging

添加日志功能：settings.py中添加如下：

LOG_FILE = "DemoSpider.log"

# 還有CRITICAL, ERROR, WARNING DEBUG等級(jí)別
LOG_LEVEL = "INFO"

FormRequest

該方法用來(lái)發(fā)送POST請(qǐng)求，在spider.py中如下：

def start_requests(self):
    url = 'http://www.renren.com/PLogin.do'
    yield scrapy.FormRequest(
      url = url,
      formdata = {"email" : "teark@9133***34.com", "password" : "**teark**"},
      callback = self.parse_page
    )

模擬登陸：

import scrapy

class LoginSpider(scrapy.Spider):
  name = 'demo.com'
  start_urls = ['http://www.demo.com/users/login.php']　　　　

  def parse(self, response):
    return scrapy.FormRequest.from_response(
      response,
      formdata={'username': 'teark', 'password': '***'},
      callback=self.after_login
    )

  def after_login(self, response):
    # 檢查登陸成功還是失敗
    if "authentication failed" in response.body:
      self.log("Login failed", level=log.ERROR)
      return

Downloader Middlewares

防止爬蟲(chóng)被反策略

設(shè)置隨機(jī)User-Agent

禁用Cookies，可以通過(guò)COOKIES_ENABLED 控制 CookiesMiddleware 開(kāi)啟或關(guān)閉

設(shè)置延遲下載降低頻率

使用谷歌/百度等搜索引擎服務(wù)器頁(yè)面緩存獲取頁(yè)面數(shù)據(jù)

使用IP地址池——VPN和代理IP

使用cralera（專用于爬蟲(chóng)的代理組件），配置中間件后請(qǐng)求都是通過(guò)crawlera發(fā)出的

設(shè)置下載中間件——Downloader Middlewares

鍵為中間件類(lèi)的路徑，值為其中間件的順序(order)

DOWNLOADER_MIDDLEWARES = {
  'mySpider.middlewares.MyDownloaderMiddleware': 543,
}

當(dāng)請(qǐng)求通過(guò)下載中間件時(shí)，process_request方法被調(diào)用；當(dāng)下載中間件完成請(qǐng)求后傳遞響應(yīng)給引擎時(shí)process_response方法被調(diào)用。

在settings.py同級(jí)目錄下創(chuàng)建middlewares.py文件，如：

import random
import base64
from settings import USER_AGENTS
from settings import PROXIES


class RandomUserAgent(object):
  def process_request(self, request, spider):
    useragent = random.choice(USER_AGENTS)
    request.headers.setdefault("User-Agent", useragent)

class RandomProxy(object):
  def process_request(self, request, spider):
    proxy = random.choice(PROXIES)
    if proxy['user_passwd'] is None:
      request.meta['proxy'] = "http://" + proxy['ip_port']
    else:
      base64_userpasswd = base64.b64encode(proxy['user_passwd'])
      request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd
      request.meta['proxy'] = "http://" + proxy['ip_port']

與代理服務(wù)器連接需要使用base64編碼，如果有需要身份驗(yàn)證的話還需要加上授權(quán)信息，

修改settings.py配置USER_AGENTS和PROXIES

免費(fèi)代理IP上網(wǎng)搜，或購(gòu)買(mǎi)可用的私密代理IP

USER_AGENTS = ["Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
  "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
  ]

PROXIES = [
　　{'ip_port': '111.8.60.9:8123', 'user_passwd': 'user1:pass1'},
　　{'ip_port': '101.71.27.120:80', 'user_passwd': 'user2:pass2'},
　　{'ip_port': '122.96.59.104:80', 'user_passwd': 'user3:pass3'},
　　]

# 禁用cookies
COOKIES_ENABLED = False

# 設(shè)置下載延遲
DOWNLOAD_DELAY = 3

# 添加自己編寫(xiě)的下載中間件
DOWNLOADER_MIDDLEWARES = {
  #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543,
  'mySpider.middlewares.RandomUserAgent': 1,
  'mySpider.middlewares.ProxyMiddleware': 100
}

Scrapyd - 爬蟲(chóng)的遠(yuǎn)程部署和監(jiān)控

安裝Scrapyd

sudo pip install scrapyd
sudo pip install scrapyd-client

修改scrapyd的配置文件

啟用scrapyd配置，在deploy后面指定當(dāng)前項(xiàng)目的Scrapyd配置名，配置Scrapyd服務(wù)的ip和port，以及當(dāng)前項(xiàng)目的項(xiàng)目名，如：

sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf

# scrapy項(xiàng)目的settings文件位置，不用改動(dòng)
[settings]
default = Demo.settings

# Scrapyd_Tencent是配置名
[deploy:Scrapyd_Demo]    

# 若是本機(jī)Scrapyd服務(wù)部署，則使用localhost即可否則使用服務(wù)主機(jī)的ip
url = http://localhost:6800/  

# 需要部署和監(jiān)控的Scrapy項(xiàng)目名
project = Demo