scrapy框架（2）-白红宇

scrapy框架（2）

阅读量：2240 次

发布时间：2019-05-09

本文共 8678 字，大约阅读时间需要 28 分钟。

一、使用scrapy框架发送post请求

1、需求一：使用scrapy发送百度翻译中的ajax请求

　　创建一个项目，如下目录，修改settings.py文件中的 "ROBOTSTXT_OBEY"和"USER_AGENT"

# postPro/postPro/spiders/post.py# -*- coding: utf-8 -*-import scrapyclass PostSpider(scrapy.Spider):    name = 'post'    # allowed_domains = ['www.xxx.com']    start_urls = ['https://fanyi.baidu.com/sug']    def start_requests(self):        data = {            "kw":"dog"        }        for url in self.start_urls:            yield scrapy.FormRequest(url=url, formdata=data, callback=self.parse)    def parse(self, response):        print(response.text)

2、需求二：基于scrapy实现模拟登录

　　自己尝试实现！

二、请求传参

　　我们知道有时候需要爬取的数据并不是都在一个页面中，而是在不同页面中，这时候用scrapy框架该如何做呢？下面以爬取：https://www.4567tv.tv/frim/index1.html 中的数据为例说明。

1、创建一个项目，目录结构如下，并修改settings.py文件中的 "ROBOTSTXT_OBEY"和"USER_AGENT"

2、各文件内容如下

# moviePro/moviePro/spiders/movie.py# -*- coding: utf-8 -*-import scrapyfrom moviePro.items import MovieproItemclass MovieSpider(scrapy.Spider):    name = 'movie'    # allowed_domains = ['www.xxx.com']    start_urls = ['https://www.4567tv.tv/frim/index1.html']　 # 解析详情页中的数据    def parse_detail(self, response):　　　　 # response.meta 返回接收到的meta字典        item = response.meta['item']         actor = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[3]/a/text()').extract_first()        item['actor'] = actor        yield item    def parse(self, response):        li_list = response.xpath('//li[@class="col-md-6 col-sm-4 col-xs-3"]')        for li in li_list:            item = MovieproItem()            name = li.xpath('./div/a/@title').extract_first()            detail_url = 'https://www.4567tv.tv' + li.xpath('./div/a/@href').extract_first()            item['name'] = name            yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={
   'item': item})

# moviePro/moviePro/items.pyimport scrapyclass MovieproItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    name = scrapy.Field()    actor = scrapy.Field()

# moviePro/moviePro/pipelines.pyclass MovieproPipeline(object):    def process_item(self, item, spider):        print(item)        return item

　　注意：要将settings.py中的"ITEM_PIPELINES"放开注释！

3、运行结果

三、日志等级

1、修改日志等级

　　通过修改settings.py中的参数 LOG_LEVEL 来修改日志等级，比如可以改为 ERROR

# settings.pyLOG_LEVEL = "ERROR"

2、指定日志输出文件

# settings.pyLOG_FILE = './log.txt'

四、scrapy的五大核心组件

1、五大核心组件工作流程如下图：

　　解释如下：

　　- 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）

　　　　用来接收引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回，可以想象成一个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

2、案例一

　　当批量请求时，对不同的请求使用不同的UA伪装和IP代理，可以利用DownloaderMiddleware，新建一个项目，目录结构如下：

　　各文件内容如下：

# middlePro/middlePro/middlewares.pyimport randomfrom scrapy import signalsclass MiddleproDownloaderMiddleware(object):    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"    ]    # 可被选用的代理IP    PROXY_http = [        '153.180.102.104:80',        '195.208.131.189:56055',    ]    PROXY_https = [        '120.83.49.90:9000',        '95.189.112.214:35508',    ]    # 拦截所有未发生异常的请求    def process_request(self, request, spider):        # 使用UA池进行请求的UA伪装        request.headers["User-Agent"] = random.choice(self.user_agent_list)        print(request.headers['User-Agent'])        return None    # 拦截所有的响应    def process_response(self, request, response, spider):        return response    # 拦截到产生异常的请求    def process_exception(self, request, exception, spider):        print('this is process_exception!')        if request.url.split(':')[0] == 'http':            request.meta['proxy'] = random.choice(self.PROXY_http)        else:            request.meta['proxy'] = random.choice(self.PROXY_https)

# middlePro/middlePro/spiders/middle.py# -*- coding: utf-8 -*-import scrapyclass MiddleSpider(scrapy.Spider):    name = 'middle'    allowed_domains = ['www.xxx.com']    start_urls = ['https://www.baidu.com/s?wd=ip']    def parse(self, response):        pass

　　注意：settings.py中的参数 "DOWNLOADER_MIDDLEWARES" 解开注释！

3、案例二

　　抓取网易新闻"军事"模块（http://war.163.com/）的页面信息，注意动态加载。

　　思路提示：页面是有动态加载信息，因此我们要使用selenium模块。

　　新建一个scrapy项目，目录结构如下：

　　各文件代码如下：

# wangyiPro/wangyiPro/spieders/wangyi.py# -*- coding: utf-8 -*-import scrapyfrom selenium import webdriverclass WangyiSpider(scrapy.Spider):    name = 'wangyi'    # allowed_domains = ['www.xxx.com']    start_urls = ['http://war.163.com/']    def __init__(self):        self.bro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\chromedriver.exe')    def parse(self, response):        div_list = response.xpath('//div[@class="data_row news_article clearfix "]')        for div in div_list:            title = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()            print(title)    def closed(self, spider):        print('关闭浏览器对象！')        self.bro.quit()

# wangyiPro/wangyiPro/middlewares.pyfrom time import sleepfrom scrapy import signalsfrom scrapy.http import HtmlResponseclass WangyiproDownloaderMiddleware(object):    # Not all methods need to be defined. If a method is not defined,    # scrapy acts as if the downloader middleware does not modify the    # passed objects.    @classmethod    def from_crawler(cls, crawler):        # This method is used by Scrapy to create your spiders.        s = cls()        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)        return s    def process_request(self, request, spider):        return None    def process_response(self, request, response, spider):        # 获取动态加载出来的数据        bro = spider.bro        bro.get(url=request.url)        sleep(3)        # 包含了动态加载出来的新闻数据        page_text = bro.page_source        sleep(3)        return HtmlResponse(url=spider.bro.current_url, body=page_text, encoding='utf-8', request=request)    def process_exception(self, request, exception, spider):        pass

　　注意：settings.py文件中要配置好参数"ROBOTSTXT_OBEY"和"ROBOTSTXT_OBEY"，并且解开中间件参数"DOWNLOADER_MIDDLEWARES"的注释。

　　运行结果如下：