simple_crawl
- 仅需一行代码即可达到爬虫效果
-
很多人学习python,不知道从何学起。
很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手。
很多已经做案例的人,却不知道如何去学习更加高深的知识。
那么针对这三类人,我给大家提供一个好的学习平台,免费领取视频教程,电子书籍,以及课程的源代码!
QQ群:961562169
使用方法
pip install simple_crawl
### 以下源代码为简单介绍,详细功能介绍再源代码之下
from simple_crawl import request
request.parse(
# status 参数为运行状态,支持单线程多线程多进程协程以及联合
status="aiohttp",
# url 参数为爬虫网址,单线程状态为字符串格式,特殊状态为列表格式
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
# login 参数为获取登陆信息,如淘宝等网址需要登陆信息
#login="taobao",
# type_url 参数为返回源代码格式,支持text和json,默认返回text
type_url = "text",
# Parsing 参数为解析方法,支持re、xpath和beautifulsoup
Parsing = 'xpath',
# label 参数为爬虫解析过程,字典格式,详情见下方
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
# write 参数为爬虫结果保存,支持txt、csv、pkl、json,注:特殊状态爬虫信息容易混乱
write='result.txt',
# next_url 参数为下一页爬虫地址,@必须为href,仅支持单线程爬虫
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
# page 参数为断续笔记,第一个参数是否启用笔记,第二个参数选填默认page.txt,仅支持单线程爬虫
page=[True,"now_url.txt"],
# clean 参数为是否进行数据清洗,防止大量爬虫收集无用信息
#clean=True,
# texting 参数为是否选择连续爬虫,避免爬虫过程中出现非代码问题报错结束爬虫程序
texting=True,
# Thread_num 为多线程数,默认为1单线程,支持多线程状态和异步状态
Thread_num=3,
# cpu_count 为多进程数,默认为1单进程,支持多进程状态和联合状态
cpu_count=1,
# sem 为异步控制数,默认为5同时启动,支持异步状态和联合状态
sem=5,
# write_SQL 为是否写入数据库,默认否
# host 参数默认localhost
# post 参数默认3306
# user 参数默认root
# password 参数必填,必须正确
# db 参数为即将存入的数据库名,若不存在自动创建
# table 参数为即将存入的数据表名,若不存在自动创建
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
介绍一下crawl参数设置:
'''
单行代码爬虫程序执行
:param status:启用爬虫类型,支持普通爬虫、多进程爬虫、多线程爬虫、异步爬虫、异步多进程爬虫,参数请参考文档
:param url:即将请求的url地址,仅支持get请求
:param type_url:请求url后返回格式,支持text和json格式返回
:param Thread_num:即将启动多线程个数,默认为1单线程
:param sem:协程信号量,控制协程数,防止爬的过快,默认为5
:param cpu_count:运行爬虫使用多进程cpu核数,默认为系统核数一半
:param login:模拟网站登陆,保存登陆信息
:param Parsing:爬虫方式,支持re、xpath以及bs4方法
:param texting:是否启用连续爬虫,爬虫程序异常报错后重新启动爬虫,
多次报错结束程序,默认否
:param label:选择器内容,字典格式保存,
字典值为列表格式,第一个参数为选择器,第二个参数为转换类型
第一个参数必填,第二个参数默认str类型
:param write:是否写入文件,支持txt格式、csv格式、json格式以及pkl格式,默认否
:param next_url:是否跨页爬虫,选择器内容使爬虫继续翻页爬虫
:param page:是否选择断续笔记接手下次爬虫处理,默认否
:param clean:是否进行简单类型数据清洗,默认否
:param write_sql:是否写入数据库,默认否
'host'默认为'localhost','post'默认'3306','user'默认'root',
'password':'密码','db':'数据库','table':'数据表',
检测库是否存在,若不存在则创建,若存在则直接插入,
检测表是否存在,若不存在则创建,若存在则直接插入
:return True
'''
介绍玩法
接下来介绍的均为调用第三方库的情况下运行:
from simple_crawl import request
第一种玩法:输出源代码
调用requests库进行源代码请求。
特点:
请求失败则调用ip池处理重新请求访问,
出现五次失败默认网址输入错误。
支持text以及json字符串返回。默认text。
缺点:
暂时只能进行get请求,不支持post访问
:return text or json
request.parse(
url = "https://www.douban.com/group/explore",
type_url = "text"
).run()
# return text
第二种玩法:模拟网站登陆并保存信息
调用DecryptLogin库请求登陆访问。
ps:DecryptLogin库为大佬皮卡丘写的一个很不错的模拟网站登陆库,在此引用一下,因为单行爬虫原因不支持账号密码登陆,我将大佬写的二维码登陆使用过来了。再次感谢大佬开源
在此放出文档地址
DecryptLogin库中文文档:https://httpsgithubcomcharlespikachudecryptlogin.readthedocs.io/zh/latest/
特点:
将DecryptLogin库中二维码继承到此库(非二次开发)
支持QQ群、QQ空间、QQ安全中心、淘宝、京东和斗鱼登陆(大佬登陆库中所有的二维码登陆)
保存session.pkl信息到本地方便下次登陆运行
缺点:
session.pkl登陆信息过时无法自动删除。
导致下次登陆疑似cookie无法正常登陆。
:return session
request.parse(
# 臭不要脸的推广一下我的店铺
url="https://shop574805287.taobao.com/",
login="taobao"
).run()
# return text
第三种玩法:爬取网站信息
爬虫库自然少不了爬虫的过程
特点:
支持re库,xpath解析以及bs4选择器。
爬取方法为字典格式。单方面输出。
字典键为保存的字段名称。
字典值为列表格式:第一个参数为选择器,第二个参数为转换类型。第一个参数必填,第二个参数默认str类型。
缺点:暂无(等待小伙伴们发现)
:return reptile_results
request.parse(
url='https://www.douban.com/group/explore',
# 字符串格式,选择器方法。
Parsing = 'xpath',
# 字典格式,参数如上。
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
}
).run()
# return reptile_results(list)
第四种玩法:*保存信息
目前版本支持保存txt、csv、json以及pkl四大主流文件。日后版本更新将发布更为全面的保存方法。
特点:
写入文件均为数据格式传入文件。
且输入格式规范方便阅读and省事。
缺点:
保存格式仅四种,
不方便用户之后读写操作。
:return file
request.parse(
url='https://www.douban.com/group/explore',
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
# 字符串格式,具体保存位置填写
write='result.pkl'
).run()
# return file
第五种玩法:读取下一页 url 地址继续爬虫
这也是每个人都担心的问题,仅仅一行代码怎么可能翻页爬虫。这还真能做到哦~
特点:
继承之前的Parsing参数选择器选择方法。
在这里可读取到解析后的下一页 url 网址。
方可继续进行爬虫处理。方便用户使用。
缺点:
若爬虫时下一页 url 地址改变,便结束爬虫。
只能爬取所给 url 地址中的信息。
无法进行某一界面的多个网页爬取返回。
造成访问页面单一流失。
:return None
request.parse(
url='https://www.douban.com/group/explore',
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.pkl',
# 字符串格式,根据Parsing方法继续请求下一页a中href
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
).run()
# return None
第六种玩法:爬虫网页保存
听说过爬虫断续重连的朋友应该懂得这是个什么神仙操作。每次爬虫运行期间好好的,睡一觉醒来发现代码报错了。。。这就是个很难受的事,还不知道之前爬取到哪一页了,只能重新爬虫了啊!
特点:
持续输出断续笔记。
将此次爬虫的 url 地址保存到一个文本文档内部。
下次读取文本文档即可快速进行直接断掉的爬虫 url 地址继续爬取所需。
缺点:
读取内容不单一。
导致下次爬虫无法正确读取上次爬虫留下的痕迹。
:return url_file
request.parse(
url='https://www.douban.com/group/explore',
type_url='text',
#login='taobao',
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.pkl',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
# 第一个参数为是否需要断续笔记。
# 第二个参数为断续笔记保存位置。
page=[True,'url_page.txt']
).run()
# return url_file
第七种玩法:简单数据清洗
数据拿下后,直接保存到本地有些大佬可能觉得很辣鸡,连清洗都不清洗就存入本地了?那得拿到多少废数据脏数据。那么接下来介绍一下清洗参数。
特点:
本人曾写过一个底层数据清洗。
能将列表格式数据进行归分清洗。
主要内容请参考另一篇文章
如下连接:数据清洗
缺点:
数据清洗格式简单。
数据清洗内容单一。
无法完全做到绝对清洗。
有待改善。
:return keyword_list, value_list
request.parse(
url='https://www.douban.com/group/explore',
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.pkl',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,'url_page.txt'],
# bool类型,默认不清洗
clean=True
).run()
第八种玩法:爬虫存入数据库
存到txt、存到csv、存到json、存到pkl,那也太low了吧。现在流行的数据库用不了么?那是不可能的。。
特点:
信息存入MySQL数据库。
可连接docker远程数据库。
数据库的库名可以不存在。
数据库的表名可以不存在。
根据之前传入字典键与值参数判断表类型。
*建立数据表传入信息。
缺点:
仅支持MySQL数据库。
:return SQL
request.parse(
url='https://www.douban.com/group/explore',
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.pkl',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,'url_page.txt'],
clean=True,
# 字典格式,
# host可有可无,默认localhost
# post可有可无,默认3306
# user可有可无,默认root
# password必要参数,数据库连接密码
# db必要参数,数据库即将存入的库名
# table必要参数,数据库即将存入的表名
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
第九种玩法:重新启动爬虫
爬虫最让人厌烦的就是被一个不痛不痒的错误信息给终止爬虫了,比如意外的远程断开链接等低级非代码错误,报错之后还得重新启动断续爬虫,就显得很麻烦。我做了一期爬虫程序异常报错后重新启动爬虫,多次报错结束程序。
特点:
检测报错重新启动爬虫
无需手动处理错误信息
缺点:
无法收集子线程错误。
:return None
request.parse(
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
#login="taobao",
type_url = "text",
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.txt',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,"now_url.txt"],
# texting 参数为是否启用连续爬虫
# 爬虫程序异常报错后重新启动爬虫
texting=True,
###
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
第十种玩法:多线程爬虫
特点:
爬虫速度加快,
更好的利用了线程。
缺点:暂无
:return None
request.parse(
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
#login="taobao",
type_url = "text",
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.txt',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,"now_url.txt"],
#clean=True,
texting=True,
# status="threads" 启用多线程爬虫
# Thread_num 为线程数目,默认为1 单线程
status="threads",
Thread_num=3,
###
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
第十一种玩法:多进程爬虫
特点:
爬虫速度加快,
更好的利用了进程。
缺点:暂无
:return None
from simple_crawl import request
request.parse(
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
#login="taobao",
type_url = "text",
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.txt',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,"now_url.txt"],
#clean=True,
texting=True,
# status="multiprocessing" 启用多进程爬虫
# cpu_count 为启动代码核心数,默认为系统核数一半
status="multiprocessing",
cpu_count=2,
###
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
第十二种玩法:异步多线程爬虫
特点:
爬虫速度加快,
异步使得爬虫无等待时间,
同时使用多线程速度明显加快。
缺点:暂无
:return None
from simple_crawl import request
request.parse(
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
#login="taobao",
type_url = "text",
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.txt',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,"now_url.txt"],
#clean=True,
texting=True,
# sem 参数为异步引擎数目,默认为5
# 其他参数同上
status="aiohttp",
Thread_num=3,
sem=5,
###
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()
第十三种玩法:异步多进程爬虫
特点:
爬虫速度加快,
异步使得爬虫无等待时间,
同时使用多进程速度明显加快。
缺点:暂无
:return None
from simple_crawl import request
request.parse(
url=['https://www.douban.com/group/explore?start={}'.format(i) for i in range(0,180,30)],
#login="taobao",
type_url = "text",
Parsing = 'xpath',
label = {
'url':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/@href',str],
'name':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/h3/a/text()',str],
'Author':['//*[@id="content"]/div/div[1]/div[1]/div[1]/div[2]/div[2]/span[1]/a/text()',str]
},
write='result.txt',
next_url='//*[@id="content"]/div/div[1]/div[2]/span[4]/a/@href',
page=[True,"now_url.txt"],
#clean=True,
texting=True,
# 参数如上
status="between",
cpu_count=1,
sem=5,
###
write_SQL={
'host':'localhost',
'post':'3306',
'user':'root',
'password':'123456',
'db':'example',
'table':'example'
}
).run()