爬虫之牛掰的scrapy框架
一. Scrapy简介及安装
http://python.jobbole.com/86405/ Scrapy的详细介绍
1.简介
2.安装
1.window上安装:
先安装依赖包:pip3 install wheel
https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 下载以后安装pip3 install 安装包
pip3 install pywin32
pip3 install scrapy
2mac上: pip3 install scrapy
二. Scrapy常见命令
1.创建项目: scrapy startproject project-name
2.创建爬虫文件: scrapy genspider filename 指定网站
3.运行项目: scrapy crawl filename
scrapy crawl filename --nolog 不打印日志
三.Scrapy的基本使用
1.创建项目.
通过命令进行创建: scrapy startproject 项目名
2.自动创建目录的结果.
文件说明:
1.boss.py:爬虫文件.一般创建爬虫文件时,以网站域名命名.
通过命令创建: scrapy genspider boss 指定网站
2. items.py:设置数据储存模块,用于结构化数据
3. middlewares
4.pipelines
5.settings:配置文件.
6.spiders 爬虫目录.如:创建文件编写爬虫规则
3,编写文件
(1)爬虫文件中
# -*- coding: utf-8 -*-
import scrapy
from bossDemo.items import BossdemoItem
# 爬虫文件的作用
# 1.url的指定
# 2.请求的发送
# 3.数据的解析
# 4.将item对象通过yield传给管道文件
class BossSpider(scrapy.Spider):
name = 'boss'
# allowed_domains = ['www.xxx.com']
start_urls = ['https://www.zhipin.com/job_detail/?query=python&scity=101180100&industry=&position=']
def parse(self, response):
li_list = response.xpath('//*[@id="main"]/div/div[3]/ul/li')
# print(li_list)
for li in li_list:
title = li.xpath('./div/div[1]/h3/a/div[1]/text()').extract_first()
salary = li.xpath('./div/div[1]/h3/a/span/text()').extract_first()
company = li.xpath('./div/div[2]/div/h3/a/text()').extract_first()
print(title +salary + company)
# 实例化一个item对象
item = BossdemoItem()
# 将解析后的数据储存到item对象中
item['title'] = title
item['salary'] = salary
item['company'] = company
# 将item对象传给管道文件进行持久化储存
yield item
(2)items.py
import scrapy
class BossdemoItem(scrapy.Item):
# define the fields for your item here like:
title = scrapy.Field()
salary = scrapy.Field()
company = scrapy.Field()
(3)Pipelines.py
import pymysql
from redis import Redis
import json
class BossdemoPipeline(object):
# 这个函数只会在开始爬取的时候执行一次
def open_spider(self, spider):
print('爬虫开始')
self.fp = open('./job.txt', 'w', encoding='utf-8' )
# 每提交一次item,这个文件就执行一次
def process_item(self, item, spider):
self.fp.write(item['title'] + '\t' + item['salary'] + '\t' + item['company'] + '\n')
print('爬取中')
return item
# 存储结束后执行这个函数
def close_spider(self,spider):
print('爬虫结束')
self.fp.close()
class MysqlPipeline(object):
cursor = None
conn = None
def open_spider(self, spider):
print('mysql爬虫开始')
self.conn = pymysql.Connect(host='127.0.0.1', port=3306, user='root', password='', db='db1' )
def process_item(self, item, spider):
self.cursor = self.conn.cursor()
sql = 'insert into boss (title, salary, company) values ("%s","%s","%s")'%(item["title"], item["salary"],item["company"])
try:
print('mysql爬虫中')
self.cursor.execute(sql)
self.conn.commit()
except Exception as e:
print(e)
self.conn.rollback()
return item
def close_spider(self, spider):
print('mysql爬虫结束')
self.cursor.close()
self.conn.close()
class RedisPipeline(object):
def open_spider(self, spider):
print('redis储存')
self.conn = Redis(host='127.0.0.1', port='6379')
def process_item(self, item, spider):
dic = {
'title': item['title'],
'salary': item['salary'],
'company': item['company'],
}
print('redis存储中...')
self.conn.lpush('Jobinfo', json.dumps(dic))
def close_spider(self, spider):
print('redis结束')
备注:
1.爬虫文件需要定义一个类,并继承(scrapy.Spider)
2.必须定义name, 即爬虫名,如果没有那么,会报错,因为源码中这样规定的:
.png)
3.编写函数parse,这里需要注意的是,该函数不能改变,是因为Scrapy中默认callback函数的函数名就是parse.
4.scrapy发送post请求
# 1.scrapy中post请求的发送:重写源码中的start_requests方法
# 因为源码中这样写的:for url in self.start_urls:
# yield self.make_requests_from_url(url) (make_requests_from_url方法的返回结果是Request对象)
# 2.在scrapy 框架中,会自动对cookie进行处理,可以在settings中设置不处理 COOKIES_ENABLED = False
示例代码:
import scrapy
class LoginSpider(scrapy.Spider):
name = 'login'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201903160368']
def start_requests(self):
data = {
"email": "15516092050",
"icode": '',
"origURL": "http://www.renren.com/home",
"domain": "renren.com",
"key_id": '1',
"captcha_type": "web_login",
"password": "5e088a2ee22d34dd081aac25578e67bd3a2d851cdfbcf1f0c9ab7056bd1bad62",
"rkey": "3f4696f6fa1b89e9061868300bf11484",
"f": "http%3A%2F%2Fwww.renren.com%2F969395731",
}
for url in self.start_urls:
yield scrapy.FormRequest(url=url, formdata=data, callback=self.parse)
def parse(self, response):
detail_url = 'http://www.renren.com/969395731'
yield scrapy.Request(url = detail_url, callback=self.GetDetail)
def GetDetail(self, response):
ret = response.text
print(ret)
5.scrapy请求传参的方式
1.用scrapy爬取数据时,如果发现需要爬取的数据不在同一页面内,则必须使用请求传参的方式进行持久化储存
2.示例代码
class MovieSpider(scrapy.Spider):
name = 'movie'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://www.55xia.com/']
def parse(self, response):
div_list = response.xpath('/html/body/div[1]/div[2]/div[1]/div/div | /html/body/div[1]/div[2]/div[3]/div/div')
for div in div_list:
item = MoviedemoItem()
detail_url = div.xpath('./div/div/h1/a/@href')
if not detail_url:
continue
else:
detail_url = 'http:' + detail_url.extract_first()
name = div.xpath('./div/div/h1/a/text()').extract_first()
score = div.xpath('./div/div/h1/em/text()')
if not score:
score = '暂无评价'
else:
score = score.extract_first()
item['name'] = name
item['score'] = score
print(name)
print(score)
yield scrapy.Request(url=detail_url, callback=self.GetDetail, meta={'item':item})
def GetDetail(self,response):
item = response.meta['item']
direct = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[1]/td[2]/a/text()').\
extract_first()
detail = response.xpath('/html/body/div[1]/div/div/div[1]/div[2]/div[2]//text()'). extract_first()
item['direct'] = direct
item['detail'] = detail
print(direct)
print(detail)
yield item
6.提高scrapy框架效率
# 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
CONCURRENT_REQUESTS = 10
LOG_LEVEL = 'ERROR'
COOKIES_ENABLED = False
RETRY_ENABLED = False
DOWNLOAD_TIMEOUT = 5
7.设置代理池和UA池
1.UA池：User-Agent池
- 作用：尽可能多的将scrapy工程中的请求伪装成不同类型的浏览器身份。
- 操作流程：
1.在下载中间件中拦截请求
2.将拦截到的请求的请求头信息中的UA进行篡改伪装
3.在配置文件中开启下载中间件
user_agent_list = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
"(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
2.代理池
- 作用：尽可能多的将scrapy工程中的请求的IP设置成不同的。
- 操作流程：
1.在下载中间件中拦截请求
2.将拦截到的请求的IP修改成某一代理IP
3.在配置文件中开启下载中间件
示例代码
http_proxy = ['http://91.226.35.93:53281', 'http://110.52.235.73:9999', 'http://151.3.53.246:53281']
https_proxy = ['https://106.104.168.15:8080', 'https://93.190.143.59:1080', 'https://223.27.212.41:8080' ]
if request.url.split(':')[0] == 'http':
request.meta['proxy'] = random.choice(http_proxy)
else:
request.meta['proxy'] = random.choice(https_proxy)
8 五大组件
.png)
爬虫之牛掰的scrapy框架的更多相关文章
- python爬虫---js加密和混淆,scrapy框架的使用.
python爬虫---js加密和混淆,scrapy框架的使用. 一丶js加密和js混淆 js加密 对js源码进行加密,从而保护js代码不被黑客窃取.(一般加密和解密的方法都在前端) http:// ...
- 网络爬虫第五章之Scrapy框架
第一节:Scrapy框架架构 Scrapy框架介绍 写一个爬虫,需要做很多的事情.比如:发送网络请求.数据解析.数据存储.反反爬虫机制(更换ip代理.设置请求头等).异步请求等.这些工作如果每次都要自 ...
- python爬虫入门（七）Scrapy框架之Spider类
Spider类 Spider类定义了如何爬取某个(或某些)网站.包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item). 换句话说,Spider就是您定义爬取的动作 ...
- 爬虫入门（四）——Scrapy框架入门：使用Scrapy框架爬取全书网小说数据
为了入门scrapy框架,昨天写了一个爬取静态小说网站的小程序 下面我们尝试爬取全书网中网游动漫类小说的书籍信息. 一.准备阶段 明确一下爬虫页面分析的思路: 对于书籍列表页:我们需要知道打开单本书籍 ...
- Python3爬虫（十八） Scrapy框架（二）
对Scrapy框架(一)的补充 Infi-chu: http://www.cnblogs.com/Infi-chu/ Scrapy优点: 提供了内置的 HTTP 缓存 ,以加速本地开发 . ...
- python网络爬虫（1）——安装scrapy框架的常见问题及其解决方法
Scrapy是为了爬取网站数据而编写的一款应用框架,出名,强大.所谓的框架其实就是一个集成了相应的功能且具有很强通用性的项目模板. 其实在Linux和 Mac安装,就简单的pip命令即可: pip i ...
- Python之爬虫（十四） Scrapy框架的架构和原理
这一篇文章主要是为了对scrapy框架的工作流程以及各个组件功能的介绍 Scrapy目前已经可以很好的在python3上运行Scrapy使用了Twisted作为框架,Twisted有些特殊的地方是它是 ...
- Python之爬虫（十五） Scrapy框架的命令行详解
这篇文章主要是对的scrapy命令行使用的一个介绍 创建爬虫项目 scrapy startproject 项目名例子如下: localhost:spider zhaofan$ scrapy start ...
- python爬虫入门（八）Scrapy框架之CrawlSpider类
CrawlSpider类 通过下面的命令可以快速创建 CrawlSpider模板 的代码: scrapy genspider -t crawl tencent tencent.com CrawSpid ...
随机推荐
- Vuex 页面刷新后store保存的数据会丢失 取cookie值
在store.js中 export default new vuex.Store({ // 首先声明一个状态 state state:{ pcid: '', postList: [], } //更新状 ...
- Java 基础 接口和多态
接口 接口的概念 接口是功能的集合,同样可看做是一种数据类型,是比抽象类更为抽象的”类”. 接口只描述所应该具备的方法,并没有具体实现,具体的实现由接口的实现类(相当于接口的子类)来完成.这样将功能的 ...
- Reported time is too far out of sync with master. Time difference of 52692ms > max allowed of 30000ms
RegionServer与Master的时间不一致造成的.由错误内容可以看出两台机器之间最大的误差时间为30000ms,一旦超过这个值便无法启动. 解决办法:同步RegionServer与Master ...
- plt.contour 与 plt.contourf
contour:轮廓,等高线 1.为等高线上注明等高线的含义: cs = plt.contour(x, y, z) plt.clabel(cs, inline=True, fontsize=10)#i ...
- selenium元素单击不稳定解决方法
selenium自动化测试过程中,经常会发现某一元素单击,很不稳定,有时候执行了点击没有反映. 以下总结两种解决方法:都是通过js注入的方式去点击. 1.F12查一看,要点击的按钮,或连接,有没有on ...
- windows 服务器硬盘的分区
进入Server 2012的操作系统,打开CMD框,输入:diskmgmt.msc,回车. 操作完第一步后会弹出“磁盘管理”的框.鼠标右键点击红框所在位置,选中“压缩卷”. 在“输入压缩空间量(MB) ...
- C++时间类型详解（ time_t 和 tm ）
原文:http://blog.csdn.net/love_gaohz/article/details/6637625 Unix时间戳(Unix timestamp),或称Unix时间(Unix tim ...
- js异步请求方式
一.使用defer 例: <script src="XXXXXX.js" defer></script> 二.使用promise 例: get('./moc ...
- javaweb之验证码验证技术
今天学习了一个验证码校验技术,所以就写下了一些笔记,方便日后查看.首先创建web工程 1.然后在src目录下创建一个Servlet类,此类用来显示登录页面和错误信息提示 package com.LHB ...
- storm 001
Hadoop.Storm系统和组件接口对比表: package storm; import org.apache.storm.Config; import org.apache.storm.Storm ...