python Scrapy爬蟲框架的使用
導(dǎo)讀：如何使用scrapy框架實(shí)現(xiàn)爬蟲的4步曲？什么是CrawSpider模板？如何設(shè)置下載中間件？如何實(shí)現(xiàn)Scrapyd遠(yuǎn)程部署和監(jiān)控？想要了解更多，下面讓我們來看一下如何具體實(shí)現(xiàn)吧！
Scrapy安裝（mac）
pip install scrapy
注意：不要使用commandlinetools自帶的python進(jìn)行安裝，不然可能報架構(gòu)錯誤；用brew下載的python進(jìn)行安裝。
Scrapy實(shí)現(xiàn)爬蟲
新建爬蟲
scrapy startproject demoSpider，demoSpider為項目名。
確定目標(biāo)
編寫items.py，如添加目標(biāo)字段：person = scrapy.Field()
制作爬蟲
scrapy genspider demo "baidu.com"，創(chuàng)建demo爬蟲文件，指定爬取域。
修改demo.py里的start_urls的地址為自己想爬取的地址如：https://www.cnblogs.com/teark/
隨意修改parse()方法，如保存所爬取的頁面，可以這樣：
def parse(self, response):
with open("teark.html", "w") as f:
f.write(response.text)
運(yùn)行爬蟲，看看效果：scrapy crawl demo
有了保存的頁面后（可注釋掉或刪掉保存頁面的代碼），根據(jù)頁面結(jié)構(gòu)提取所需數(shù)據(jù)，一般用xpath表達(dá)式，如：
def parse(self, response):
for _ in response.xpath("http://div[@class='teark_article']"):
item = ItcastItem()
title = each.xpath("h3/text()").extract()
content = each.xpath("p/text()").extract()
item['title'] = title[0]
item['content'] = content[0]
yield item
保存數(shù)據(jù)：scrapy crawl demo -o demo.json（以下格式都行：jsonl，jsonl，csv，xml）
注：該過程在取值中經(jīng)常需要頁面調(diào)試，使用scrapy shell（最好先安裝ipython，有語法提示），調(diào)試好了再放到代碼里，如：
scrapy shell "https://www.cnblogs.com/teark/"
response.xpath('//*[@class="even"]')
print site[0].xpath('./td[2]/text()').extract()[0]
處理內(nèi)容
pipline常用來存儲內(nèi)容，pipline.py中必須實(shí)現(xiàn)process_item()方法，該方法必須返回Item對象，如：
import json
class ItcastJsonPipeline(object):
def __init__(self):
self.file = open('demo.json', 'wb')
def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()
在settings.py中添加ITEM_PIPELINES配置，如：
ITEM_PIPELINES = {
"demoSpider.pipelines.DemoJsonPipeline":300
}
重新啟動爬蟲：scrapy crawl demo，看看當(dāng)前目錄是否生成demo.json
CrawlSpiders
CrawlSpider是spider的派生類，為了從爬取的網(wǎng)頁中獲取link并繼續(xù)爬取。
快速創(chuàng)建 CrawlSpider模板：scrapy genspider -t crawl baidu baidu.com
Rule類制定了爬取規(guī)則；LinkExtractors類為了提取鏈接，如：
scrapy shell "http://teark.com/article.php?&start=0#a"
from scrapy.linkextractors import LinkExtractor
# 注意轉(zhuǎn)義字符&
page_lx = LinkExtractor(allow=('comment.php?\&start=\d+'))
page_lx.extract_links(response)
測試完后就知道了allow和rules了，修改spider代碼：
#提取匹配 'http://teark.com/article.php?&start=\d+'的鏈接
page_lx = LinkExtractor(allow = ('start=\d+'))
rules = [
#提取匹配,并使用spider的parse方法進(jìn)行分析;并跟進(jìn)鏈接(沒有callback意味著follow默認(rèn)為True)
Rule(page_lx, callback = 'parseContent', follow = True)
]
注：callback 千萬不能寫 'parse'
Logging
添加日志功能：settings.py中添加如下：
LOG_FILE = "DemoSpider.log" # 還有CRITICAL, ERROR, WARNING DEBUG等級別 LOG_LEVEL = "INFO"
FormRequest
該方法用來發(fā)送POST請求，在spider.py中如下：
def start_requests(self):
url = 'http://www.renren.com/PLogin.do'
yield scrapy.FormRequest(
url = url,
formdata = {"email" : "teark@9133***34.com", "password" : "**teark**"},
callback = self.parse_page
)
模擬登陸：
import scrapy
class LoginSpider(scrapy.Spider):
name = 'demo.com'
start_urls = ['http://www.demo.com/users/login.php']
def parse(self, response):
return scrapy.FormRequest.from_response(
response,
formdata={'username': 'teark', 'password': '***'},
callback=self.after_login
)
def after_login(self, response):
# 檢查登陸成功還是失敗
if "authentication failed" in response.body:
self.log("Login failed", level=log.ERROR)
return
Downloader Middlewares
防止爬蟲被反策略
設(shè)置隨機(jī)User-Agent
禁用Cookies，可以通過COOKIES_ENABLED 控制 CookiesMiddleware 開啟或關(guān)閉
設(shè)置延遲下載降低頻率
使用谷歌/百度等搜索引擎服務(wù)器頁面緩存獲取頁面數(shù)據(jù)
使用IP地址池——VPN和代理IP
使用cralera（專用于爬蟲的代理組件），配置中間件后請求都是通過crawlera發(fā)出的
設(shè)置下載中間件——Downloader Middlewares
鍵為中間件類的路徑，值為其中間件的順序(order)
DOWNLOADER_MIDDLEWARES = {
'mySpider.middlewares.MyDownloaderMiddleware': 543,
}
當(dāng)請求通過下載中間件時，process_request方法被調(diào)用；當(dāng)下載中間件完成請求后傳遞響應(yīng)給引擎時process_response方法被調(diào)用。
在settings.py同級目錄下創(chuàng)建middlewares.py文件，如：
import random
import base64
from settings import USER_AGENTS
from settings import PROXIES
class RandomUserAgent(object):
def process_request(self, request, spider):
useragent = random.choice(USER_AGENTS)
request.headers.setdefault("User-Agent", useragent)
class RandomProxy(object):
def process_request(self, request, spider):
proxy = random.choice(PROXIES)
if proxy['user_passwd'] is None:
request.meta['proxy'] = "http://" + proxy['ip_port']
else:
base64_userpasswd = base64.b64encode(proxy['user_passwd'])
request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd
request.meta['proxy'] = "http://" + proxy['ip_port']
與代理服務(wù)器連接需要使用base64編碼，如果有需要身份驗證的話還需要加上授權(quán)信息，
修改settings.py配置USER_AGENTS和PROXIES
免費(fèi)代理IP上網(wǎng)搜，或購買可用的私密代理IP
USER_AGENTS = ["Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
]
PROXIES = [
{'ip_port': '111.8.60.9:8123', 'user_passwd': 'user1:pass1'},
{'ip_port': '101.71.27.120:80', 'user_passwd': 'user2:pass2'},
{'ip_port': '122.96.59.104:80', 'user_passwd': 'user3:pass3'},
]
# 禁用cookies
COOKIES_ENABLED = False
# 設(shè)置下載延遲
DOWNLOAD_DELAY = 3
# 添加自己編寫的下載中間件
DOWNLOADER_MIDDLEWARES = {
#'mySpider.middlewares.MyCustomDownloaderMiddleware': 543,
'mySpider.middlewares.RandomUserAgent': 1,
'mySpider.middlewares.ProxyMiddleware': 100
}
Scrapyd - 爬蟲的遠(yuǎn)程部署和監(jiān)控
安裝Scrapyd
sudo pip install scrapyd sudo pip install scrapyd-client
修改scrapyd的配置文件
啟用scrapyd配置，在deploy后面指定當(dāng)前項目的Scrapyd配置名，配置Scrapyd服務(wù)的ip和port，以及當(dāng)前項目的項目名，如：
sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf
# scrapy項目的settings文件位置，不用改動 [settings] default = Demo.settings # Scrapyd_Tencent是配置名 [deploy:Scrapyd_Demo] # 若是本機(jī)Scrapyd服務(wù)部署，則使用localhost即可否則使用服務(wù)主機(jī)的ip url = http://localhost:6800/ # 需要部署和監(jiān)控的Scrapy項目名 project = Demo
通過Scrapyd客戶端工具掛載項目
指令：scrapyd-deploy Scrapyd_Demo -p Demo
scrapyd-deploy 是客戶端命令，參數(shù)是 Scrapyd配置名，以及 -p 指定項目名
遠(yuǎn)程部署和停止爬蟲
部署：curl http://localhost:6800/schedule.json -d project=Demo -d spider=demo
停止：curl http://localhost:6800/cancel.json -d project=Demo -d job=iundsw....
注：爬蟲啟動成功后，會生成job值，停止爬蟲時需要通過job值停止。
以上就是python Scrapy爬蟲框架的使用的詳細(xì)內(nèi)容，更多關(guān)于python Scrapy爬蟲框架的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
盡管網(wǎng)上搜到許多篇關(guān)于pycharm如何安裝pygame庫,但是跟著要求做還是安裝失敗,下面這篇文章主要給大家介紹了關(guān)于python中pygame安裝不成功的解決辦法,需要的朋友可以參考下2023-05-05
使用Python在Excel工作表中創(chuàng)建數(shù)據(jù)透視表的方法
在數(shù)據(jù)處理和分析工作中,Excel作為一個廣泛使用的工具,提供了強(qiáng)大的功能來管理和解析數(shù)據(jù),當(dāng)面對大量復(fù)雜的數(shù)據(jù)集時,為了更高效地總結(jié)、分析和展示數(shù)據(jù),創(chuàng)建數(shù)據(jù)透視表成為一種不可或缺的方法,本文將介紹如何使用Python在Excel工作表中創(chuàng)建數(shù)據(jù)透視表2025-01-01
這篇文章主要介紹了python項目對接釘釘SDK的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
本篇文章給大家介紹了python環(huán)境神器virtualenvwrapper安裝與使用，對此有需要的朋友可以跟著操作一下。2018-05-05
這篇文章主要介紹了Python中的np.where()如何替換缺失值問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02
我們經(jīng)常會遇到數(shù)據(jù)集中存在空值的情況,本文主要介紹了python空值填充為無的實(shí)現(xiàn)方法,文中通過示例代碼介紹的非常詳細(xì),需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2024-02-02
Python實(shí)現(xiàn)圖像去噪方式(中值去噪和均值去噪)
今天小編就為大家分享一篇Python實(shí)現(xiàn)圖像去噪方式(中值去噪和均值去噪)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了python的迭代器與生成器實(shí)例詳解,需要的朋友可以參考下2014-07-07
在本篇文章里小編給大家整理的是一篇關(guān)于python異常的傳遞知識點(diǎn)總結(jié)，有興趣的朋友們可以學(xué)習(xí)下。2021-06-06
Python網(wǎng)絡(luò)編程之socket與socketserver
這篇文章介紹了Python網(wǎng)絡(luò)編程之socket與socketserver，文中通過示例代碼介紹的非常詳細(xì)。對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-05-05