Scrapy加Redis加IP代理池实现音乐爬虫

音乐爬虫

关注公众号“轻松学编程”了解更多。

目的：爬取歌名，歌手，歌词，歌曲url。

一、创建爬虫项目

创建一个文件夹，进入文件夹，打开cmd窗口，输入：

scrapy startproject songSpider

依次输入：

cd songSpider
scrapy genspider kuwo_spider kuwo.cn

在路径songSpider\songSpider\spiders\下多了一个文件kuwo_spider.py。

二、定义items.py中的字段名

import scrapy

class SongspiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()  # 歌名
    singer = scrapy.Field()  # 歌手
    lyric = scrapy.Field()  # 歌词
    url = scrapy.Field()  # 能拿到音乐文件的url
    originId = scrapy.Field()  # 来源

在Mysql数据库中建立一个表，表中的字段与上面的一样，方便接下来把数据保存进数据库(持久化)。

三、修改settings.py中的内容

ROBOTSTXT_OBEY = False
#使用代理
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',

}
#使用管道把item保存进数据库
ITEM_PIPELINES = {
   'songSpider.pipelines.SongspiderPipeline': 300,
}

四、修改pipelines.py

#保存进MySQL数据库

import pymysql

class SongspiderPipeline(object):
    def __init__(self):
        #连接数据库
        self.conn = None
        #游标
        self.cur = None

    # 打开爬虫时调用，只调用一次
    def open_spider(self,spider):
        self.conn = pymysql.connect(host='127.0.0.1',
                                    user='root',
                                    password="123456",
                                    database='songSearch',
                                    port=3306,
                                    charset='utf8')
        self.cur = self.conn.cursor()

    def process_item(self, item, spider):
        clos,value = zip(*item.items())

        # print('sql语句',sql,value)
        query_sql = f"""select sid from Song where  name='{value[0]}'
        and singer='{value[1]}'and originId={value[4]} """
	    # 如果歌曲已存在就不执行sql
        if not self.cur.execute(query_sql):
            sql = "INSERT INTO `%s`(%s) VALUES (%s)" % ('Song',
                             ','.join(clos),
                             ','.join(['%s'] * len(value)))
            self.cur.execute(sql, value)
            self.conn.commit()

        return item

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

五、修改kuwo_spider.py

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from songSpider.items import SongspiderItem

#使用多页爬取
class KuwoSpider(CrawlSpider):
    name = 'kuwo_spider'
    allowed_domains = ['kuwo.cn']
    start_urls = ['http://yinyue.kuwo.cn/yy/category.htm',
                  'http://www.kuwo.cn/mingxing',

                  ]
    # 设置爬取规则,可迭代对象，可设置多个规则

    rules = [
            Rule(LinkExtractor(allow=(
                                  "http://www.kuwo.cn/yinyue/(\d+)")),
             callback='get_song', follow=True),
            Rule(LinkExtractor(allow=(".*"))),

             ]

    # 获取歌曲信息
    def get_song(self,response):

        item = SongspiderItem()
        item['name'] = response.xpath('//*[@id="lrcName"]/text()').extract()[0]
        item['singer'] = response.xpath('//*[@id="musiclrc"]/div[1]/p[2]/span/a/text()').extract()[0]
        # lyric = # 歌词
        lyrics = response.xpath('//*[@id="llrcId"]/p')

        lyricstr = item['name']
        for lyric in lyrics:
            lyricstr += '\n'
            lyricstr += lyric.xpath('text()').extract()[0]
        item['lyric'] = lyricstr

        item['url'] = response.url

        item['originId'] = 2

        # with open(r'D:\Learn\pythonPro\qianfeng\MusicSearch\songSpider\songs.csv', 'a', newline='',encoding='utf-8')  as f:
        #     writer = csv.writer(f)
        #     # 按行写入
        #     writer.writerow([item['name'],item['singer'],item['lyric'],item['url'],])
        return item

六、在项目目录下添加start.py

主要使用来启动爬虫。

import scrapy.cmdline

def main():
    scrapy.cmdline.execute(['scrapy','crawl','kuwo_spider'])

if __name__ == '__main__':
    main()

七、使用Redis进行分布式爬虫

1、修改kuwo_spider.py

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from songSpider.items import SongspiderItem
from scrapy_redis.spiders import RedisCrawlSpider

# 使用Redis爬取
class KuwoSpider(RedisCrawlSpider):
    name = 'kuwo_spider'
    allowed_domains = ['kuwo.cn']
    # 增加一个redis_key
    redis_key = "kuwo:start_url"
    # 设置爬取规则,可迭代对象，可设置多个规则
    rules = [
            Rule(LinkExtractor(allow=(
                                  "http://www.kuwo.cn/yinyue/(\d+)")),
             callback='get_song', follow=True),
            Rule(LinkExtractor(allow=(".*"))),
             ]

    # 获取歌曲信息
    def get_song(self,response):
        item = SongspiderItem()
        item['name'] = response.xpath('//*[@id="lrcName"]/text()').extract()[0]
        item['singer'] = response.xpath('//*[@id="musiclrc"]/div[1]/p[2]/span/a/text()').extract()[0]
        # lyric = # 歌词
        lyrics = response.xpath('//*[@id="llrcId"]/p')

        lyricstr = item['name']
        for lyric in lyrics:
            lyricstr += '\n'
            lyricstr += lyric.xpath('text()').extract()[0]
        item['lyric'] = lyricstr
        item['url'] = response.url
        item['originId'] = 2

        return item

2、修改settings.py

ITEM_PIPELINES = {
   'songSpider.pipelines.SongspiderPipeline': 300,
   'scrapy_redis.pipelines.RedisPipeline': 400, # 通向redis
}

# 分布式配置
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True

REDIS_URL = "redis://:123456@127.0.0.1:6379"

3、在CMD命令终端输入

开启redis服务。

然后在另一个cmd窗口输入：

redis-cli
auth 123456
lpush kuwo:start_url http://yinyue.kuwo.cn/yy/category.htm

4、在PyCharm中的Terminal中输入：

scrapy runspider kuwo_spider.py

5、实现分布式爬取

把这个程序在另外一台电脑运行，redis连接主机的服务器，启动爬虫即可。

具体操作为：

5.1 主机设置

在主机上启动redis服务：

redis-server redis.conf

打开CMD窗口输入redis_key:

redis-cli
auth 123456
lpush kuwo:start_url http://yinyue.kuwo.cn/yy/category.htm

在主机上启动爬虫：

scrapy runspider kuwo_spider.py

5.2 从机设置(可以有多个从机)

在从机上连接主机redis服务器：

# 在CMD窗口中输入
# 连接注解reids服务器
# 我当前的主机ip为10.3.141.228  端口为6379 密码为123456
redis-cli -h 10.3.141.228 -p 6379 -a 123456

打开CMD窗口输入redis_key:

redis-cli
auth 123456
lpush kuwo:start_url http://www.kuwo.cn/mingxing

不同的从机，kuwo:start_url的值可以设置不同的链接。

在从机上启动爬虫：

scrapy runspider kuwo_spider.py

八、使用IP代理池

1、修改settings.py，增加

DOWNLOADER_MIDDLEWARES = {
     'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware':None,
     'songSpider.middlewares.ProxyMiddleWare':125,
     'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware':None
}

2、修改middlewares.py，增加

from scrapy import signals
import random
import scrapy
from scrapy import log
import pymysql

# ip代理池
class ProxyMiddleWare(object):
    """docstring for ProxyMiddleWare"""

    def process_request(self,request, spider):
        '''对request对象加上proxy'''
        proxy = self.get_random_proxy()
        print("this is request ip:"+proxy)
        request.meta['proxy'] = proxy

    def process_response(self, request, response, spider):
        '''对返回的response处理'''
        # 如果返回的response状态不是200，重新生成当前request对象
        if response.status != 200:
            proxy = self.get_random_proxy()
            print("this is response ip:"+proxy)
            # 对当前reque加上代理
            request.meta['proxy'] = proxy
            return request
        return response

    def get_random_proxy(self):
        '''随机从IP数据库中读取proxy'''
        # 连接数据库
        con = pymysql.connect(
            host='localhost',  # 数据库所在地址URL
            user='root',  # 用户名
            password='123456',  # 密码
            database='proxypool',  # 数据库名称
            port=3306,  # 端口号
            charset='utf8'
        )
        # 拿到查询游标
        cursor = con.cursor()
        #获取ip
        ip_ports = cursor.execute('select ip,ip_port from proxypool ')
        if ip_ports:
            # 从游标中取出查询结果
            ip_ports = cursor.fetchall()

        # 断开连接
        cursor.close()
        con.close()
        proxies = []
        for ip,port in ip_ports:
            proxies.append("http://"+ip+':'+port)

        proxy = random.choice(proxies)
        return proxy

后记

【后记】为了让大家能够轻松学编程，我创建了一个公众号【轻松学编程】，里面有让你快速学会编程的文章，当然也有一些干货提高你的编程水平，也有一些编程项目适合做一些课程设计等课题。

也可加我微信【1257309054】，拉你进群，大家一起交流学习。
如果文章对您有帮助，请我喝杯咖啡吧！

公众号

关注我，我们一起成长~~