爬虫 scrapy 持久化存储 深度爬虫

scrapy

- scrapy环境的安装
      a. pip3 install wheel

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

      c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy

- scrapy使用
    - 1.创建一个工程:scrapy start project ProName
    - 2.cd ProName
    - 3.创建爬虫文件:scrapy genspider first www.xxx.com
    - 4.执行:
        - settings.py: 
            - 不遵从rbotes协议
            - 进行UA伪装
            - 指定日志等级:LOG_LEVEL = ‘ERROR’
        scrapy crawl spiderName --nolog  不打印日志
        scrapy crawl spiderName 
        

- 持久化存储
    - 基于终端指令:
        - 前提:只可以将parse方法的返回值进行本地文件的持久化存储
        - 指令:scrapy crawl spiderName -o filePath
    - 基于管道:
        - 编码流程:
            1.数据解析
            2.需要在item类中定义相关的属性(存储解析到的数据)
            3.将解析到的数据存储或者封装到一个item类型的对象中
            4.将item对象提交到管道中
            5.在管道中需要接收item,且将item对象中的数据进行任意形式的持久化操作
            6.在配置文件中开启管道

先记下吧

1.selenium和爬虫之间的关联是什么?
2.在selenium中如何实现标签定位?
3.什么是selenium和PhantomJs?
4.简述scrapy如何实现数据解析?该种形式的数据解析和xpath的不同之处是什么?
    - response.xpath()
    - response.xpath()返回的列表中存储的是Selector对象,必须使用extract()
5.scrapy如何实现持久化存储?
    - 1.数据解析
    - 2.封装item类(定义属性)
    - 3.将解析的数据存储到item对象
    - 4.将item提交到管道
    - 5.在管道中接受item且对其进行任意i形式的持久化存储
    - 6.在配置文件中开启管道
6.简述基于移动端数据爬取的配置流程?
    - 下载fiddler
    - 配置fiddler:
        - 配置端口
        - allow remote xxx
    - 在手机端下载安装证书
        - 手机和fiddler的pc端处于同一个网段(pc分享一个热点手机连接)
        - 在手机浏览器中访问ip:port下载证书
    - 在手机中设置网络代理:代理信息都是来源于fiddler所在的pc


 scrapy管道的细节处理
    - 数据的爬取和持久化存储,将同一组数据分别存储到不同的平台
        - 一个管道类负责将数据存储到某一个载体或者平台中
        - 爬虫文件提交的item只会提交给第一个被执行的管道类
        - 在管道类的process_item中的return item表示的含义就是将当前管道类接收到的item传递给下一个即将被执行的管道类

    - 注意:爬虫类和管道类进行数据交互的形式
        - yield item:只可以交互item类型的对象
        - spider参数:可以交互任意形式的数据


- 全站数据的爬取
    - 基于手动请求发送实现
        - 实现全站数据爬取
        - 实现深度爬取
     - 手动请求发送:
        - yield scrapy.Request(url,callback)
        - yield scrapy.FormRequest(url,formdata,callback)

- post请求的发送和cookie的处理
    - cookie的处理是scrapy自动封装好
- start_urls自动请求发送的实现原理:
    #是父类的一个请求发送的封装
    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url=url,callback=self.parse)


- 深度爬取
    - 手动请求发送
    - 请求传参:持久化存储,将不同的回调中解析的数据存储到同一个item对象。请求传参传递的就是item对象。
        - 使用场景:如果使用scrapy爬取的数据没有在同一张页面中
        - 传递方式:将传递数据封装到meta字典中,meta传递个了callback
            yield scrapy.Request(url,callback,meta)
        - 接收:
            在callback指定的回调函数中使用response进行接收:
                - item = response.meta['key']

- 五大核心组件
    - 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。

- 如何提升scrapy爬取数据的效率
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

案例   BOSS 直聘 爬取 (深度爬取)+持久化存储

 

boos.py

# -*- coding: utf-8 -*-
import scrapy

from ..items import BossproItem


# 爬取多页,单页面
# class BossSpider(scrapy.Spider):
#     name = 'boss'
#
#     # allowed_domains = ['www.xxx.com']
#
#     start_urls = ['https://www.zhipin.com/job_detail/?query=python&city=101010100&industry=&position=']
#     # 通用url模板
#     url = 'https://www.zhipin.com/c101010100/?query=python&page=%d'
#     page = 2
#
#
#     def parse(self, response):
#         print("爬取第{}页".format(self.page - 1))
#         # 注意第一页与其他页的标签位置不同
#         li_list=response.xpath('//*[@id="main"]/div/div[3]/ul/li | //*[ @ id ="main"]/div/ div[2]/ul/ li')
#
#         for li in li_list:
#             job_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()
#             print(job_title,salary)
#
#             item=BossproItem()
#             item['job_title']=job_title
#             item['salary']=salary
#
#             yield item
#
#             if self.page<=3:
#                 # 其他页码手动发送请求
#                 new_url=format(self.url%self.page)
#                 self.page+=1

#                 # 手动请求, callback 进行数据解析
#                 yield scrapy.Request(url=new_url,callback=self.parse)


# 深度爬取

class BossSpider(scrapy.Spider):
    name = 'boss'

    # allowed_domains = ['www.xxx.com']

    start_urls = ['https://www.zhipin.com/job_detail/?query=python&city=101010100&industry=&position=']
    # 通用url模板
    url = 'https://www.zhipin.com/c101010100/?query=python&page=%d'
    page = 2

    def parse(self, response):
        print("爬取第{}页".format(self.page - 1))
        # 注意第一页与其他页的标签位置不同
        li_list = response.xpath('//*[@id="main"]/div/div[3]/ul/li | //*[ @ id ="main"]/div/ div[2]/ul/ li')

        for li in li_list:
            job_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()

            # 实例化item 对象  对象必须要让parse 和parse_detail 共享
            item = BossproItem()
            item['job_title'] = job_title
            item['salary'] = salary

            detail_url = 'https://www.zhipin.com' + li.xpath('./ div / div[1] / h3 / a/@href').extract_first()

            yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={"item": item})

        if self.page <= 5:
            # 其他页码手动发送请求
            new_url = format(self.url % self.page)
            self.page += 1
            # 手动请求, callback 进行数据解析
            yield scrapy.Request(url=new_url, callback=self.parse)

    def parse_detail(self, response):
        item = response.meta['item']
        job_desc = response.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div//text()').extract()
        job_desc = ''.join(job_desc).strip('\n')
        item['job_desc'] = job_desc


        yield item

items.py

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class BossproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    job_title = scrapy.Field()
    salary = scrapy.Field()
    job_desc=scrapy.Field()

pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


class BossproPipeline(object):
    fp=None

    def open_spider(self,spider):
        print("开始")
        self.fp=open('./boss.txt','w',encoding='utf-8')

    def process_item(self, item, spider):
        print(item)
        info=item['job_title']+" : "+item['salary']+'\n'+item['job_desc']+'\n'
        self.fp.write(info)
        return item

    def close_spider(self,spider):
        self.fp.close()
        print("结束")

settings.py

爬虫  scrapy      持久化存储   深度爬虫
# -*- coding: utf-8 -*-

# Scrapy settings for bossPro project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'bossPro'

SPIDER_MODULES = ['bossPro.spiders']
NEWSPIDER_MODULE = 'bossPro.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'bossPro (+http://www.yourdomain.com)'

# Obey robots.txt rules
# ROBOTSTXT_OBEY = True

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'bossPro.middlewares.BossproSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'bossPro.middlewares.BossproDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'bossPro.pipelines.BossproPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

# UA 伪装
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36'

# Obey robots.txt rules
# 不遵从robot协议
ROBOTSTXT_OBEY = False

# 日志等级
LOG_LEVEL = 'ERROR'
View Code

持久化存储

存储到文件     MySQL    redis(糗事百科)

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

# 存储到文件
# class QiutuproPipeline(object):
#
#     # 构造方法
#     def __init__(self):
#         self.fp=None
#
#     def open_spider(self,spider):
#         print("开始爬虫")
#         self.fp=open('./qutu.txt','w',encoding='utf-8')
#
#     # 因为该方法会被执行调用多次,所以文件的开启和关闭操作写在了另外两个只会各自执行一次的方法中。
#     def process_item(self, item, spider):
#         info=item['name']+"  :  "+item['content']
#         self.fp.write(info)
#         return item
#
#
#     def close_spider(self,spider):
#         self.fp.close()
#         print('结束爬虫')

# # 基于mysql 的管道存储
# #导入数据库类
# import pymysql
# class QiutuproPipeline(object):
#
#     conn=None #mysql的连接对象声明
#     cursor=None#mysql游标对象声明
#
#     def open_spider(self,spider):
#         # 链接数据库
#         print("开始爬虫")
#         self.conn=pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='123',db='qiubaipro' ,charset='utf8')
#         print(self.conn)
#
#     # 因为该方法会被执行调用多次,所以文件的开启和关闭操作写在了另外两个只会各自执行一次的方法中。
#     def process_item(self, item, spider):
#
#         # 2.执行sql语句
#         self.cursor=self.conn.cursor()
#         sql='insert into qiubai values("%s","%s")'%(item['name'],item['content'])
#
#         # 执行事务
#         try:
#             self.cursor.execute(sql)
#             self.conn.commit()
#         except Exception as e:
#             print(e)
#             self.conn.rollback()
#         return item
#
#
#
#
#     def close_spider(self,spider):
#         print('结束爬虫')
#         self.cursor.close()
#         self.conn.close()


# 基于redis 的管道存储
#导入数据库类
from redis import Redis
class QiutuproPipeline(object):
    conn=None
    def open_spider(self,spider):
        # 创建连接对象
        print("开始爬虫")
        self.conn=Redis(host='127.0.0.1',port=6379)

    def process_item(self, item, spider):
        dic={
            'name':item['name'],
            'content':item['content']
        }
        # 写入redis
        # 改为较低的版本
        # pip install -U redis==2.10.6
        self.conn.lpush('data',dic)

        return item

 

上一篇:spider cookies


下一篇:cookie池的维护