爬虫进阶版

1. 移动端数据抓取

fillder进行一个基本的配置:tools->options->https->Decry..

fillder进行一个基本的配置:tools->options->connection->allow remote

http://fillder所在pc机的ip+port/:访问到一张提供了证书下载功能的页面

fiddler所在的机器和手机在同一网段下:在手机浏览器中访问http://fillder所在pc机的ip:8888/

获取子页面进行证书的下载和安装(证书信任的操作)

配置你的手机的代理:将手机的代理配置成fiddler所对应pc机的ip和fillder自己的端口

就可以让fiddler捕获手机发起的http和https的请求

2. scrapy框架

框架就是一个集成了各种功能且具有很强通用性(可以被应用在各种不同的需求中)的一个项目模板.

scrapy集成了哪些功能:

高性能的数据解析操作,持久化存储操作,高性能的数据下载的操作.....

3.环境的安装:

pip3 install wheel

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

进入下载目录，执行 
pip3 install Twisted-20.3.0-cp37-cp37m-win_amd64.whl

pip3 install pywin32

4 scrapy的基本使用

创建一个工程:scrapy startproject zbb
必须在spiders这个目录下创建一个爬虫文件
cd zbb
scrapy genspider first www.baidu.com

import scrapy

class FirstSpider(scrapy.Spider):
    # 爬虫文件的名称:爬虫文件的唯一标识(在spiders子目录下是可以创建多个爬虫文件)
    name = 'first'
    # 允许的域名
    # allowed_domains = ['www.baidu.com']
    # 起始的url列表:列表中存放的url会被scrapy自动的进行请求发送
    start_urls = ['https://www.baidu.com/', 'https://www.sogou.com/']

    # 用作于数据解析:将start_urls列表中对应的url请求成功后的响应数据进行解析
    def parse(self, response):
        pass

执行工程

scrapy crawl first

settings.py

#不遵从robots协议
ROBOTSTXT_OBEY = False  
#进行UA伪装
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
#进行日志等级设定
#scrapy crawl first  --nolog
LOG_LEVEL = 'ERROR'

5.持久化存储

1.基于终端指令:

特性:只可以将parse方法的返回值存储到本地的磁盘文件中
指令:scrapy crawl first -o quibai.csv

import scrapy


class FirstSpider(scrapy.Spider):
   name = 'first'
   start_urls = ['https://www.qiushibaike.com/text/']

   def parse(self, response):
       div_list = response.xpath('//*[@id="content"]/div/div[2]/div')
       all_data = []
       for div in div_list:
           # xpath返回的列表元素一定是Selector对象
           # 最终要解析的数据储存在改对象中
           # extract（）将data参数取值
           # author = div.xpath("./div[1]/a[2]/h2/text()")[0].extract()
           author = div.xpath("./div[1]/a[2]/h2/text()").extract_first()
           # 直接调用是将extract作用到每个列表元素中
           con = div.xpath('./a[1]/div/span//text()').extract()
           # 将列表转换为字符转
           con = ''.join(con)
           dic = {
               'author': author,
               'content': con
           }
           all_data.append(dic)
       return all_data

2.基于管道:

1.数据解析
2.在item类中定义相关的属性
3.将解析的数据存储或者封装到一个item类型的对象(items文件中对应类的对象)
4.向管道提交item
5.在管道文件的process_item方法中接收item进行持久化存储
6.在配置文件中开启管道
ITEM_PIPELINES = {
   'zbb.pipelines.ZbbPipeline': 300, #300表示优先值
}

item

import scrapy


class ZbbItem(scrapy.Item):
    # define the fields for your item here like:
    author = scrapy.Field()
    con = scrapy.Field()

first.py

import scrapy
from zbb.items import ZbbItem
class FirstSpider(scrapy.Spider):
    name = 'first'
    start_urls = ['https://www.qiushibaike.com/text/']

    def parse(self, response):
        div_list = response.xpath('//*[@id="content"]/div/div[2]/div')
        all_data = []
        for div in div_list:
            author = div.xpath("./div[1]/a[2]/h2/text()")[0].extract()
            con = div.xpath('./a[1]/div/span//text()').extract()
            con = ''.join(con)
            #将解析的数据储存到item对象中
            item = ZbbItem()
            item['author'] =author
            item['con'] =con
            #将item提交到管道
            yield item

pipelines.py

class ZbbPipeline:
    fp = None
    def open_spider(self, spider):
        print('开始爬虫......')
        self.fp = open('qiushibaike.txt', 'w', encoding='utf-8')

    # 使用来接收爬虫文件提交过来的item,然后将其进行任意形式的持久化存储
    # 参数item:就是接收到的item对象
    # 该方法每接收一个item就会调用一次
    def process_item(self, item, spider):
        author = item['author']
        con = item['con']
        self.fp.write(author + ':' + con + '
')
        return item  # item是返回给了下一个即将被执行的管道类

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

3.将同一份数据持久化到不同的平台中

分析:
- 1.管道文件中的一个管道类负责数据的一种形式的持久化存储
- 2.爬虫文件向管道提交的item只会提交给优先级最高的那一个管道类
- 3.在管道类的process_item中的return item表示的是将当前管道接收的item返回/提交给
  下一个即将被执行的管道类
setting配置

ITEM_PIPELINES = {
    'zbb.pipelines.ZbbPipeline': 300,  # 300表示优先值
    'zbb.pipelines.MysqlPL': 301,  # 300表示优先值 越小越好
    'zbb.pipelines.RedisPL': 302,

}

pipelines

import pymysql
from redis import Redis

class ZbbPipeline:
    fp = None

    def open_spider(self, spider):
        print('开始爬虫......')
        self.fp = open('qiushibaike.txt', 'w', encoding='utf-8')

    # 使用来接收爬虫文件提交过来的item,然后将其进行任意形式的持久化存储
    # 参数item:就是接收到的item对象
    # 该方法每接收一个item就会调用一次
    def process_item(self, item, spider):
        author = item['author']
        con = item['con']
        self.fp.write(author + ':' + con + '
')
        return item  # item是返回给了下一个即将被执行的管道类

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


class MysqlPL:
    conn = None
    cursor = None

    def open_spider(self, spider):
        self.conn = pymysql.Connect(host='127.0.0.1', port=3306, user='root', password='123', db='spider',
                                    charset='utf8')
        print(self.conn)

    def process_item(self, item, spider):
        author = item['author']
        con = item['con']
        sql = 'insert into qiubai values ("%s","%s")'%(author, con)
        self.cursor = self.conn.cursor()
        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()

class RedisPL:
    conn = None

    def open_spider(self, spider):
        self.conn = Redis(host='127.0.0.1', port=6379)
        print(self.conn)

    def process_item(self, item, spider):
        self.conn.lpush('all_data', item)
        # 注意:如果将字典写入redis报错:pip install -U redis==2.10.6

6.在scrapy中手动请求发送(GET)

使用场景:爬取多个页码对应的页面源码数据
yield scrapy.Request(url,callback)

import scrapy
from zbb.items import ZbbItem


class FirstSpider(scrapy.Spider):
    name = 'first'
    start_urls = ['https://www.qiushibaike.com/text/']
    # 将多个页码对应的页面数据进行爬取和解析的操作
    url = 'https://www.qiushibaike.com/text/page/%d/'  # 通用的url模板
    pageNum = 1

    def parse(self, response):
        div_list = response.xpath('//*[@id="content"]/div/div[2]/div')
        all_data = []
        for div in div_list:
            author = div.xpath("./div[1]/a[2]/h2/text()")[0].extract()
            con = div.xpath('./a[1]/div/span//text()').extract()
            con = ''.join(con)
            # 将解析的数据储存到item对象中
            item = ZbbItem()
            item['author'] = author
            item['con'] = con
            # 将item提交到管道
            yield item

        if self.pageNum <= 5:
            self.pageNum += 1
            new_url = format(self.url%self.pageNum)
            # 手动请求(get)的发送
            yield scrapy.Request(new_url, callback=self.parse)

7.在scrapy中手请求发送(POST)

一般不用除非疯了很麻烦

data = { #post请求的请求参数
    'kw':'aaa'
}
yield scrapy.FormRequest(url,formdata=data,callback)

8.scrapy五大核心组件的工作流程:

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。

9.基于scrapy进行图片数据的爬取

在爬虫文件中只需要解析提取出图片地址，然后将地址提交给管道
配置文件中：IMAGES_STORE = './imgsLib'
    在管道文件中进行管道类的制定：
    1.from scrapy.pipelines.images import  ImagesPipeline
    2.将管道类的父类修改成ImagesPipeline
    3.重写父类的三个方法：

1.爬取校花网图片

第一步：创建一个项目

scrapy startproject zxy

第二步：创建一个爬虫文件

scrapy genspider img www.baidu.com

第三步：配置Stettings

#UA伪装
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
#不遵循reboot协议
ROBOTSTXT_OBEY = False
#显示日志
LOG_LEVEL = 'ERROR'
#图片地址
IMAGES_STORE = './imgsLib'
#开启管道
ITEM_PIPELINES = {
   'zxy.pipelines.ZxyPipeline': 300,
}

img.py

import scrapy
from zxy.items import ZxyItem

class ImgSpider(scrapy.Spider):
    name = 'img'
    # allowed_domains = ['www.baidu.com']
    start_urls = ['http://www.521609.com/daxuemeinv/']
    url = 'http://www.521609.com/daxuemeinv/list8%d.html'
    pageNum = 1
    def parse(self, response):
        li_list = response.xpath('//*[@id="content"]/div[2]/div[2]/ul/li')
        for li in li_list:
            img_src = "http://www.521609.com/" + li.xpath("./a[1]/img/@src").extract_first()
            item = ZxyItem()
            item['src'] = img_src
            yield item
        if self.pageNum < 3:
            self.pageNum += 1
            new_url = format(self.url%self.pageNum)
            # 手动请求(get)的发送
            yield scrapy.Request(new_url, callback=self.parse)

item.py

import scrapy


class ZxyItem(scrapy.Item):
    # define the fields for your item here like:
    src = scrapy.Field()

管道

from scrapy.pipelines.images import ImagesPipeline
import scrapy
# class ZxyPipeline:
#     def process_item(self, item, spider):
#         return item
class ZxyPipeline(ImagesPipeline):
    #对某一个媒体资源进行请求发送
    #item就是接受到spider发送过来的item
    def get_media_requests(self, item, info):
        yield scrapy.Request(item['src'])
    #制定媒体数据存储的名称
    def file_path(self, request, response=None, info=None):
        name = request.url.split('/')[-1]
        print("go" + name)
        return name
    #完成之后将item给下一个管道类
    # def item_completed(self, results, item, info):
    #     return item

10.scrapy爬取数据的效率

只需要将如下五个步骤配置在配置文件中即可

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

11.请求传参（实现深度爬取）

实现深度爬取：爬取多个层级对应的页面数据
使用场景：爬取的数据没有在同一张页面中（如前面爬取的boos直聘）

#在手动请求的时候传递item：yield scrapy.Request(url,callback,meta={'item':item})
#将meta这个字典传递给callback
#在callback中接收meta：item = response.meta['item']

1.爬取www.4567kan.com

第一步：创建一个项目

scrapy startproject mv

第二步：创建一个爬虫文件

scrapy genspider movie www.baidu.com

第三步：配置Stettings

#UA伪装
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
#不遵循reboot协议
ROBOTSTXT_OBEY = False
#显示日志
LOG_LEVEL = 'ERROR'
#开启管道
ITEM_PIPELINES = {
   'zxy.pipelines.ZxyPipeline': 300,
}

movie.py

import scrapy
from mv.items import MvItem


class MovieSpider(scrapy.Spider):
    name = 'movie'
    start_urls = ['https://www.4567kan.com/index.php/vod/show/class/%E5%8A%A8%E4%BD%9C/id/1/page/1.html']

    url = 'https://www.4567kan.com/index.php/vod/show/class/%E5%8A%A8%E4%BD%9C/id/1/page/%d.html'
    pageNum = 1
    def parse(self, response):
        li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li')
        for li in li_list:
            title = li.xpath('./div[1]/a/@title').extract_first()
            href = 'https://www.4567kan.com/' + li.xpath('./div[1]/a/@href').extract_first()
            item = MvItem()
            item['title'] = title
            #mata是一个字典，盖子点就可以传递给callback指定的回调函数
            yield scrapy.Request(href, callback=self.parse_detail, meta={'item': item})
        if self.pageNum <5:
            self.pageNum+=1
            new_url = format(self.url%self.pageNum)
            yield scrapy.Request(new_url,callback=self.parse)

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

item.py

import scrapy


class MvItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    desc = scrapy.Field()

管道

class MvPipeline:
    def process_item(self, item, spider):
        print(item)
        return item

12.Middleware中间件

下载中间件：批量

作用：批量拦截请求和响应

1.拦截请求:process_request

UA伪装：

将所有的请求尽可能多的设定成不同的请求载体身份标识（一般直接在settings中加入，不在这里配置）
request.headers['User Agent'] = 'xxx'

批量实现

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"
]

    def process_request(self, request, spider):
        #从列表中随机选择一个
        request.headers['User-Agent']=random.choice(user_agent_list)

代理操作

PROXY_http = [
    '153.180.102.104:80',
    '195.208.131.189:56055',
]
PROXY_https = [
    '120.83.49.90:9000',
    '95.189.112.214:35508',
]

        if request.url.split(':')[0] == 'http':
            request.meta['proxy'] = 'http://' + random.choice(PROXY_http)  
        else:
            request.meta['proxy'] = 'https://' + random.choice(PROXY_https)

2.拦截异常:process_exception

如果代理ip报错可以重新请求

    def process_exception(self, request, exception, spider):
        print('i am process_exception')
        # 拦截到异常的请求然后对其进行修正，然后重新进行请求发送
        # 代理操作
        if request.url.split(':')[0] == 'http':
            request.meta['proxy'] = 'http://' + random.choice(PROXY_http)  
        else:
            request.meta['proxy'] = 'https://' + random.choice(PROXY_https)  

        return request  # 将修正之后的请求进行重新发送

3.拦截响应:process_response

篡改响应数据或者直接替换响应对象

selenium在scrapy中的应用:

实例化浏览器对象：写在爬虫类的构造方法中
关闭浏览器：爬虫类中的closed(self,spider)关闭浏览器
在中间件中执行浏览器自动化的操作

13.爬取网易新闻

爬取网易新闻的国内，国际，军事，航空，无人机这五个板块下对应的新闻标题和内容

分析：

每一个板块对应页面中的新闻数据是动态加载出来的

第一步：创建项目

scrapy startproject wangyiPro 
scrapy genspider wangyi www.baidu.com

第二步：修改文件

wangyi.py

import scrapy
from selenium import webdriver
from wangyiPro.items import WangyiproItem


class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://news.163.com']
    five_model_urls = []
    bro = webdriver.Chrome(executable_path=r'C:Userszhui3Desktopchromedriver.exe')

    # 用来解析五个板块对应的url，然后对其进行手动请求发送
    def parse(self, response):
        model_index = [3, 4, 6, 7, 8]
        li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        for index in model_index:
            li = li_list[index]
            # 获取了五个板块对应的url
            model_url = li.xpath('./a/@href').extract_first()
            self.five_model_urls.append(model_url)
            # 对每一个板块的url进行手动i请求发送
            yield scrapy.Request(model_url, callback=self.parse_model)

    # 解析每一个板块页面中的新闻标题和新闻详情页的url
    # 问题：response（不满足需求的response）中并没有包含每一个板块中动态加载出的新闻数据
    def parse_model(self, response):
        div_list = response.xpath('/html/body/div[1]/div[3]/div[4]/div[1]/div/div/ul/li/div/div')
        for div in div_list:
            title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
            detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
            item = WangyiproItem()
            item['title'] = title
            # 对详情页发起请求解析出新闻内容
            yield scrapy.Request(detail_url, callback=self.parse_new_content, meta={'item': item})

    def parse_new_content(self, response):  # 解析新闻内容
        item = response.meta['item']
        content = response.xpath('//*[@id="endText"]//text()').extract()
        content = ''.join(content)

        item['content'] = content

        yield item

    # 最后执行
    def closed(self, spider):
        self.bro.quit()

items.py

import scrapy

class WangyiproItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    content = scrapy.Field()

中间件

from time import sleep
from scrapy import signals
from scrapy.http import HtmlResponse


class WangyiproDownloaderMiddleware(object):

    def process_request(self, request, spider):
        return None

    def process_response(self, request, response, spider):#spider就是爬虫文件中爬虫类实例化的对象
        #进行所有响应对象的拦截
        #1.将所有的响应中那五个不满足需求的响应对象找出
            #1.每一个响应对象对应唯一一个请求对象
            #2.如果我们可以定位到五个响应对应的请求对象后，就可以通过该i请求对象定位到指定的响应对象
            #3.可以通过五个板块的url定位请求对象
            #总结： url==》request==》response

        #2.将找出的五个不满足需求的响应对象进行修正（替换）
        #spider.five_model_urls:五个板块对应的url
        bro = spider.bro
        if request.url in spider.five_model_urls:
            bro.get(request.url)
            sleep(1)
            page_text = bro.page_source #包含了动态加载的新闻数据
            #如果if条件程利则该response就是五个板块对应的响应对象
            # HtmlResponse 篡改响应对象
            new_response = HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request)
            return new_response
        return response

    def process_exception(self, request, exception, spider):

        pass

管道: 基于百度ai分类

from aip import AipNlp

""" 你的 APPID AK SK """
APP_ID = '219518'
API_KEY = 'rXTO5pFiBSoEtwYVl8cKH'
SECRET_KEY = 'oyxpRL7qyb9ubQC8nbsHpPGSfUV '


class WangyiproPipeline:
    client = AipNlp(APP_ID, API_KEY, SECRET_KEY)
    def process_item(self, item, spider):
        title = item['title']
        content = item['content']
        #UnicodeEncodeError: 'gbk' codec can't encode character 'xa0' in position 242: illegal multibyte sequence
        #报错说不能被编码，所以替换掉
        content = content.replace(u'xa0',u'')
        title = title.replace(u'xa0',u'')
        wd_dic = self.client.keyword(title,content)
        tp_dic = self.client.topic(title,content)
        print(wd_dic,tp_dic)
        return item

setting.py

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'
DOWNLOADER_MIDDLEWARES = {
   'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,
}
ITEM_PIPELINES = {
   'wangyiPro.pipelines.WangyiproPipeline': 300,
}

run.py

from scrapy.cmdline import execute

execute(["scrapy", "crawl", "wangyi"])

14.基于CrawlSpider全站数据爬取

CrawlSpider就是爬虫类中Spider的一个子类

直接项目：

爬取阳光在线标题、处理状态和文本内容

1.创建项目

scrapy startproject sumpro

2.创建一个爬虫文件：

scrapy genspider -t crawl sun www.xxxx.com

3.构造链接提取器和规则解析器

3.1链接提取器：

作用 ： 可以根据指定的规则进行指定链接的提取
提取的规则：  allow =‘正则表达式’

3.2 规则解析器：

作用：获取链接提取器提取到的链接，然后对其进行请求发送，根据指定规则对请求到的页面
源码数据进行数据解析

fllow=True：

将链接提取器 继续作用到连接提取器提取出的页码链接 所对应的页面中
注意：连接提取器和规则解析器也是一对一的关系

4.项目代码

sun.py

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sumpro.items import SumproItem, SumproItem_second


class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    # 链接提取器
    Link = LinkExtractor(allow=r'id=1&page=d+')
    Link_detail = LinkExtractor(allow=r'index?id=d+')
    rules = (
        # 实例化一个Rule（规则解释器）的对象
        Rule(Link, callback='parse_item', follow=True),
        Rule(Link_detail, callback='parse_detail'),
    )

    def parse_item(self, response):
        li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for i in li_list:
            title = i.xpath('./span[3]/a[1]/text()').extract_first()
            status = i.xpath('./span[2]/text()').extract_first()
            num = i.xpath('./span[1]/text()').extract_first()
            item = SumproItem_second()
            item['title'] = title
            item['status'] = status
            item['num'] = num
            yield item

    def parse_detail(self, response):
        content = response.xpath('/html/body/div[3]/div[2]/div[2]/div[2]/pre//text()').extract()
        content = ''.join(content)
        num = response.xpath('/html/body/div[3]/div[2]/div[2]/div[1]/span[4]/text()').extract_first()
        #num在详情页面里可能是空的
        if num:
            num = num.split(':')[-1]
            item = SumproItem()
            item['content'] = content
            item['num'] = num
            yield item

item.py

import scrapy

#为了让content 和title status同时展示储存 所以加了一个num
class SumproItem(scrapy.Item):
    # define the fields for your item here like:
    content = scrapy.Field()
    num = scrapy.Field()

class SumproItem_second(scrapy.Item):
    title = scrapy.Field()
    status = scrapy.Field()
    num = scrapy.Field()

管道

class SumproPipeline:
    def process_item(self, item, spider):
        if item.__class__.__name__ == 'SumproItem':
            content = item['content']
            num = item['num']
            print("内容" + content) #执行sql

        else:
            title = item['title']
            status = item['status']
            num = item['num']
            print("1" + title, "2"+status,"3"+num)

        return item

中间件，网站的反爬虫是封ip,所以要设置代理ip

    def process_request(self, request, spider):
        request.meta['proxy'] = 'http://' + "218.91.7.82:43413"

setting 还要开启中间件，管道，日志，不遵循协议，UA伪装

BOT_NAME = 'sumpro'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'
SPIDER_MODULES = ['sumpro.spiders']
NEWSPIDER_MODULE = 'sumpro.spiders'
########################
ITEM_PIPELINES = {
   'sumpro.pipelines.SumproPipeline': 300,
}
DOWNLOADER_MIDDLEWARES = {
   'sumpro.middlewares.SumproDownloaderMiddleware': 543,
}

run.py

from scrapy.cmdline import execute

execute(["scrapy", "crawl", "sun"])

15.分布式爬虫

什么是分布式爬虫？

基于多台电脑组建一个分布式机群，然后让机群中的每一台电脑执行同一组程序，然后让它们对同一个
网站的数据进行分布爬取

为要使用分布式爬虫？

提升爬取数据的效率

如何实现分布式爬虫？

基于scrapy+redis的形式实现分布式
scrapy结合这scrapy-redis组建实现的分布式

原生的scrapy框架是无法实现分布式？

调度器无法被分布式机群共享
管道无法被共享

scrapy-redis组件的作用：

提供可以被共享的调度器和管道

1.环境安装：

redis
pip Install scrapy-redis

2.编码流程：

1.创建一个工程

scrapy startproject fbsPro

2.创建一个爬虫文件

基于CrawlSpider的爬虫文件
scrapy genspider -t crawl fbs www.xxxx.com

3.修改当前的爬虫文件

- 导包：from scrapy_redis.spiders import RedisCrawlSpider
- 将当前爬虫类的父类修改成RedisCrawlSpider
- 将start_urls替换成redis_key = 'xxx'#表示的是可被共享调度器中队列的名称
- 编写爬虫类爬取数据的操作

4.对settings进行配置：

-UA
	USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
-指定管道：
#开启可以被共享的管道
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 400
}
- 指定调度器：
#增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
#指定redis的服务：
REDIS_HOST = 'redis服务的ip地址'
REDIS_PORT = 6379
# REDIS_PARAMS = {
#     'password': 'redisPasswordTest666666',
# }

#更改爬取速度
#CONCURRENT_REQUESTS = 2

5.redis的配置

进行配置：redis.conf
#bind 127.0.0.1

#关闭protected-mode模式，此时外部网络可以直接访问
protected-mode no

携带配置文件启动redis服务	
./redis-server redis.conf

启动redis的客户端
redis-cli

6.执行当前的工程

进入到爬虫文件对应的目录中：
scrapy runspider fbs.py

7.向调度器队列中仍入一个起始的url：

队列在哪里呢？

答：队列在redis中

lpush fbsQueue http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1

8.置执行完成之后

lrange   fbs:items

9.代码

fbs.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_redis.spiders import RedisCrawlSpider,RedisSpider
from fbsPro.items import FbsproItem


class FbsSpider(RedisCrawlSpider):
    name = 'fbs'
    # allowed_domains = ['www.xxxx.com']
    # start_urls = ['http://www.xxxx.com/']
    redis_key = 'fbsQueue'
    rules = (
        Rule(LinkExtractor(allow=r'id=1&page=d+'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for i in li_list:
            title = i.xpath('./span[3]/a[1]/text()').extract_first()
            status = i.xpath('./span[2]/text()').extract_first()
            item = FbsproItem()
            item['title'] = title
            item['status'] = status
            yield item

items.py

class FbsproItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    status = scrapy.Field()

settings.py

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'

BOT_NAME = 'fbsPro'

SPIDER_MODULES = ['fbsPro.spiders']
NEWSPIDER_MODULE = 'fbsPro.spiders'
ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 2
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 400
}

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
REDIS_HOST = '127.0.0.1'
REDIS_PORT = 6379
# REDIS_PARAMS = {
#     'password': 'redisPasswordTest666666',
# }

16.增量式爬虫

概念：

监测网站数据更新的情况。

核心：

去重！！！

深度爬取类型:

深度爬取类型的网站中需要对详情页的url进行记录和检测
记录:将爬取过的详情页的url进行记录保存
url存储到redis的set中
检测：如果对某一个详情页的url发起请求之前先要取记录表中进行查看，该url是否存在，存在的话以为
    着这个url已经被爬取过了。

代码

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis
from zjs_moviePro.items import ZjsMovieproItem


class MovieSpider(CrawlSpider):
    name = 'movie'
    conn = Redis(host='127.0.0.1', port=6379)
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567tv.tv/index.php/vod/show/id/6.html']
    rules = (  # /index.php/vod/show/id/6/page/2.html
        Rule(LinkExtractor(allow=r'id/6/page/d+.html'), callback='parse_item', follow=False),
    )

    def parse_item(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/div/h4/a/text()').extract_first()
            detail_url = 'https://www.4567tv.tv' + li.xpath('./div/div/h4/a/@href').extract_first()
            ex = self.conn.sadd('movie_detail_urls', detail_url)
            if ex == 1:  # 向redis的set中成功插入了detail_url
                print('有最新数据可爬......')
                item = ZjsMovieproItem()
                item['name'] = name
                yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={'item': item})
            else:
                print('该数据已经被爬取过了！')

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

        yield item

class ZjsMovieproItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    desc = scrapy.Field()

class ZjsMovieproPipeline(object):
    def process_item(self, item, spider):
        conn = spider.conn
        conn.lpush('movie_data',item)
        return item

非深度爬取类型的网站：

名词：数据指纹

一组数据的唯一标识