为什么要单独开这么一篇随笔,主要还是在上一篇随笔"一个小爬虫的整体解决方案"(https://www.cnblogs.com/qinyulin/p/13219838.html)中没有着重介绍Scrapy,包括后面几天也对代码做了Review,优化了一些性能,觉得还是应该把自己的劳动成果打个标,也怕后面需要的时候记不住,所以还是规规矩矩的写一篇随笔用来记录,话不多说,上干货。
Scrapy框架,我的理解就是在Spider中请求url,在这个请求过程中,我们会用到中间件,用来劫持网络请求,对请求Request进行一些头部信息、代理的封装,然后在返回对象Response中也可以做一些处理,把获取到的网页,通过bs4解析标签元素,转换成自己需要的信息,当拿到信息的时候,可以把信息包装成对象,通过pipe管道进行数据清理,然后再进行数据存储(可以存本地文件,也可以调用API存数据库),具体的原理可以参考下面的链接https://blog.csdn.net/qq_34120459/article/details/86711728,然而在实际做的过程当中,我一次性要对于产品的评论爬成千上万条,而且还要针对失败后的断点续爬,所以我就放弃了数据管道清洗方式,把所有的业务逻辑都放在Spider里面进行,总的来说,这样做有悖于Scrapy的数据扭转原理,但是没办法,和很多人交流过,貌似目前的方式至少是可行的。
首先来一个爬虫Spider的代码缩略图:
这里的Init函数主要是用来做一些初始化工作。详细代码如下:
1 #初始化函数 2 def __init__(self,saveType=1): 3 self.keywords = []#关键词数组 4 self.totalObj = {}#所有关键词结果的对象 5 # self.over = True #这个参数暂时没用,观察了之后可以删除 6 self.startTime = time.strftime("%b_%d_%Y_%H_%M_%S", time.localtime()) #开始时间,用来写入json文件名 7 self.saveType = saveType#来源类型,用来区分是手动还是自动 8 self.Count = 10000#定义每个Asin爬取的最大评论数量 9 self.resCount = 0#最终发送给服务器的请求条数 10 self.getCount = 0#用来计算keywords的索引是否完成了所有查询,每次成功之后索引+1 11 self.successArr = []#成功发送的Asin数组 12 self.loseArr = []#失败发送的Asin数组 13 14 #########下面的代码是用来读取之前的评论数据,每次完成之后会吧数据存在这个JSON文件里面,如果中途中断下次会读取上一次的数据。 15 review_list_file = open("data/review_detail_crawler_all.json","w+") 16 self.review_list = review_list_file.readlines()
接着进入入口函数start_requests,因为我在爬虫的时候需要定位到US,所以先模拟了一个表单请求。然后setSession和getAsinKeywords都是从服务器拿数据并进行处理,这里是自己的业务代码就不贴了。
1 #爬虫入口函数 2 def start_requests(self): 3 data = { 4 "locationType":"LOCATION_INPUT", 5 "zipCode": "10001", 6 "storeContext": "hpc", 7 "deviceType": "web", 8 "pageType": "Detail", 9 "actionSource": "glow", 10 } 11 yield scrapy.FormRequest("https://www.amazon.com/gp/delivery/ajax/address-change.html", method="POST",formdata=data, headers={'Content-Type': 'application/x-www-form-urlencoded;charset=UTF-8'},dont_filter=True, callback=self.setSession,errback=self.ceshi)
主要说一下parse_post_data这个函数,主要是根据获取到的网页信息,格式化并生成标签树,通过bs4插件拿到数据,注释写得比较清楚了,代码如下:
1 #成功回调函数,先是判断是否被封,如果被封就调用Tor代理更换IP,如果没被封就跟着解析。 2 def parse_post_data(self, response): 3 asin = response.meta["asin"] 4 title = BeautifulSoup(response.text, 'lxml').title 5 title = title.string if not title is None else "" 6 if "Robot Check" in title: 7 print("IP被封了Spider") 8 yield from self.renew_connection(asin) 9 else: 10 #抓取该单品从开卖到现在的所有 Review 11 dom = BeautifulSoup(response.text, 'lxml') 12 try: 13 #获取到评论列表 14 ids = dom.find(id="cm_cr-review_list").select(".review") 15 #如果评论列表长度为0则说明爬完了。 16 if len(ids) == 0: 17 self.totalObj[asin]["over"] = True 18 logger.warning("{}没有下一页终止爬取数据".format(asin)) 19 #循环获取到的评论列表,取出数据。因为是第一次做,里面获取的方法有点杂, 20 #因为有太多未知的错误,所以用了try方法来赋值,里面的参数没注释,可以结合API看。 21 for id in ids: 22 if self.totalObj[asin]["over"] == True or len(self.totalObj[asin]["list"]) >= self.Count: 23 break 24 obj = {} 25 obj["page"] = self.totalObj[asin]["pageNumber"] 26 obj["reviewId"] = id.attrs["id"] 27 28 obj["title"] = id.select( 29 ".review-title span:first-child")[0].string 30 obj["username"] = id.select(".a-profile-name")[0].string 31 obj["content"] = id.select(".review-text-content")[0].get_text() 32 try: 33 obj["reviewDate"] = id.select(".review-date")[0].get_text() 34 except Exception as e: 35 obj["reviewDate"] = "" 36 37 try: 38 obj["voteNum"] = 0 if not len(id.select(".cr-vote-text")) else id.select(".cr-vote-text")[0].string 39 except Exception as e: 40 obj["voteNum"] = 0 41 try: 42 obj["score"] = id.select(".a-icon-alt")[0].string 43 except Exception as e: 44 obj["score"] = 0 45 46 #如果遇到reviewId评论,说明之前已经爬取过,就把当前的over状态置为True 47 if obj["reviewId"] == self.totalObj[asin]["reviewId"]: 48 self.totalObj[asin]["over"] = True 49 logger.warning("{}返回reviewId终止爬取{}".format(asin,obj["reviewId"])) 50 else: 51 self.totalObj[asin]["list"].append(obj) 52 print(obj) 53 pass 54 except Exception as e: 55 pass 56 #上面是解析了当前页面的数据,下面的代码是用来判断是否爬完。 57 try: 58 #这里是用来判断当前Asin评论的总页码 59 if self.totalObj[asin]["totalStr"] == "": 60 try: 61 totalStr = dom.select("#filter-info-section .a-size-base")[0].string 62 self.totalObj[asin]["totalStr"] = totalStr 63 except Exception as e: 64 pass 65 else: 66 totalStr = self.totalObj[asin]["totalStr"] 67 #totalStr示例:Showing 1-20 of 2,442 reviews 68 countArr = totalStr.split(' ') 69 fNum = countArr[1].split('-')[1]#当前数量20 70 tNum = countArr[3]#总数量2442 71 #如果当前数量大于等于总数量,表示已经爬完。 72 if int(fNum.replace(",","")) >= self.Count: 73 self.totalObj[asin]["over"] = True 74 logger.warning("{}大于{}条数据终止爬取".format(asin,self.Count)) 75 if fNum == tNum: 76 #最后一页,把当前asin的结束标志置为True 77 self.totalObj[asin]["over"] = True 78 logger.warning("{}最后一页{}终止爬取数据".format(asin,fNum)) 79 print("这是{}第{}页".format(asin,self.totalObj[asin]["pageNumber"])) 80 #防止log信息太多,10条录入一次。 81 if self.totalObj[asin]["pageNumber"] % 10 == 0: 82 logger.warning("这是{}第{}页".format(asin,self.totalObj[asin]["pageNumber"])) 83 except Exception as e: 84 pass 85 86 #如果当前Asin的over为false,说明没有遇到reviewId和还有下一页,则把当前Asin的页码加1继续爬。 87 if self.totalObj[asin]["over"] == False: 88 self.totalObj[asin]["pageNumber"] += 1 89 yield from self.getViewForAsin(asin) 90 else: 91 #如果当前Asin的over为True,说明当前Asin已经爬完,把当前Asin的数据发送到服务器, 92 #而且根据keywords数组进行下一个Asin的爬取,如果爬取Asin的长度大于等于keywords长度, 93 #说明整个爬取过程已经完成,不进行任何操作,进入close流程。 94 logger.warning("{}完成了一次请求,准备发送数据.".format(asin)) 95 yield from self.sendSingelData(asin) 96 97 self.getCount += 1 98 if self.getCount <= len(self.keywords) - 1: 99 yield from self.getViewForAsin(self.keywords[self.getCount])
最后就是close函数的代码:
1 #爬虫关闭的钩子函数 2 def close(self, reason, spider): 3 # 打开公共设置文件,读取search_asin_index值,并读取对应的search_asin_index文件的文本,转换成数组并组合成发送的数据 4 if self.resCount == len(self.keywords): 5 logger.warning("全部产品的评论发送完成,共发送{}次".format(self.resCount)) 6 else: 7 logger.warning("此次爬虫未全部爬完数据,共发送{}次".format(self.resCount)) 8 logger.warning("成功的产品有{}".format(self.successArr)) 9 logger.warning("失败的产品有{}".format(self.loseArr)) 10 self.file = open('data/review_detail_crawler_all.json'.format(self.startTime,time.strftime("%H_%M_%S", time.localtime())), 'wb') 11 self.file.write(json.dumps(self.totalObj).encode()) 12 self.file.close() 13 pass
在确定用Scrapy框架之前,我也是去体验了一把requests库和selenium,requests的话做一些简单的爬虫需求还是可以,不能规模化;selenium的话主要还是通过模拟用户行为来进行数据的爬取,主要用于自动化测试的场景,在一些需要复杂操作的爬虫还是可以的,但是如果用在大规模爬取项目是非常耗时的,所以我最终还是选取了Scrapy框架。而且在后期因为要频繁爬取,容易触发亚马逊的反爬策略,所以又研究了Tor网络,这个是用来隐藏服务器IP,通过代理去进行爬虫请求,这个从最终的代码量来看其实量大不大,但是在研究的过程也是备受煎熬,因为在百分百成功之前的每一步都是在反思为什么不行,从拿到需求到熟悉框架,到最后完成上线,然后再review优化代码差不多1个月时间,特别是最开始在了解了框架的原理,但是却不能解决自己的需求反复去寻求解决方案是最难熬的,不过当在一次次试错后找到最接的解决方案,还是很有成就感。
其实Scrapy的东西还很多,我用到的只是很小的一部分,希望在后面有迭代需求的时候可以再继续研究,下面贴出项目中用到的一些插件名和对应的网址,也希望看到这篇文章的小伙伴如果在研究Scrapy遇到问题,可以进行留言或者私信交流,学无止境,我们一直在路上。
Python教程(我推荐廖雪峰的):https://www.liaoxuefeng.com/wiki/1016959663602400
Scrapy官网:https://scrapy.org/
requests:https://requests.readthedocs.io/en/master/
基础爬虫+selenium教程(我就是看着这位小伙伴的连载入的门):https://www.cnblogs.com/Albert-Lee/p/6238866.html
bs4:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
tor:
win版本:https://www.cnblogs.com/kylinlin/archive/2016/03/04/5242266.html