導(dǎo)讀：如何使用scrapy框架實(shí)現(xiàn)爬蟲(chóng)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(lái)看一下如何具體實(shí)現(xiàn)吧！
Scrapy安裝（mac）
|
1
|
pip install scrapy |
注意：不要使用commandlinetools自帶的python進(jìn)行安裝，不然可能報(bào)架構(gòu)錯(cuò)誤；用brew下載的python進(jìn)行安裝。
Scrapy實(shí)現(xiàn)爬蟲(chóng)
新建爬蟲(chóng)
scrapy startproject demoSpider，demoSpider為項(xiàng)目名。
確定目標(biāo)
編寫(xiě)items.py，如添加目標(biāo)字段：person = scrapy.Field()
制作爬蟲(chóng)
scrapy genspider demo "baidu.com"，創(chuàng)建demo爬蟲(chóng)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(yè)面，可以這樣：
|
1
2
3
|
def parse(self, response): with open("teark.html", "w") as f: f.write(response.text) |
運(yùn)行爬蟲(chóng)，看看效果：scrapy crawl demo
有了保存的頁(yè)面后（可注釋掉或刪掉保存頁(yè)面的代碼），根據(jù)頁(yè)面結(jié)構(gòu)提取所需數(shù)據(jù)，一般用xpath表達(dá)式，如：
|
1
2
3
4
5
6
7
8
|
def parse(self, response): for _ in response.xpath("//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(guò)程在取值中經(jīng)常需要頁(yè)面調(diào)試，使用scrapy shell（最好先安裝ipython，有語(yǔ)法提示），調(diào)試好了再放到代碼里，如：
|
1
2
3
|
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(lái)存儲(chǔ)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(duì)象，如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import jsonclass 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：
|
1
2
3
|
ITEM_PIPELINES = { "demoSpider.pipelines.DemoJsonPipeline":300} |
重新啟動(dòng)爬蟲(chóng)：scrapy crawl demo，看看當(dāng)前目錄是否生成demo.json
CrawlSpiders
CrawlSpider是spider的派生類(lèi)，為了從爬取的網(wǎng)頁(yè)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(lèi)制定了爬取規(guī)則；LinkExtractors類(lèi)為了提取鏈接，如：
|
1
2
3
4
5
6
7
|
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(cè)試完后就知道了allow和rules了，修改spider代碼：
|
1
2
3
4
5
6
7
|
#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(méi)有callback意味著follow默認(rèn)為T(mén)rue) Rule(page_lx, callback = 'parseContent', follow = True)] |
注：callback 千萬(wàn)不能寫(xiě) 'parse'
Logging
添加日志功能：settings.py中添加如下：
|
1
2
3
4
|
LOG_FILE = "DemoSpider.log"# 還有CRITICAL, ERROR, WARNING DEBUG等級(jí)別LOG_LEVEL = "INFO" |
FormRequest
該方法用來(lái)發(fā)送POST請(qǐng)求，在spider.py中如下：
|
1
2
3
4
5
6
7
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import scrapyclass 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(chóng)被反策略
設(shè)置隨機(jī)User-Agent
禁用Cookies，可以通過(guò)COOKIES_ENABLED 控制 CookiesMiddleware 開(kāi)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(yè)面緩存獲取頁(yè)面數(shù)據(jù)
使用IP地址池——VPN和代理IP
使用cralera（專(zhuān)用于爬蟲(chóng)的代理組件），配置中間件后請(qǐng)求都是通過(guò)crawlera發(fā)出的
設(shè)置下載中間件——Downloader Middlewares
鍵為中間件類(lèi)的路徑，值為其中間件的順序(order)
|
1
2
3
|
DOWNLOADER_MIDDLEWARES = { 'mySpider.middlewares.MyDownloaderMiddleware': 543,} |
當(dāng)請(qǐng)求通過(guò)下載中間件時(shí)，process_request方法被調(diào)用；當(dāng)下載中間件完成請(qǐng)求后傳遞響應(yīng)給引擎時(shí)process_response方法被調(diào)用。
在settings.py同級(jí)目錄下創(chuàng)建middlewares.py文件，如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import randomimport base64from settings import USER_AGENTSfrom settings import PROXIESclass 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(yàn)證的話(huà)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(gòu)買(mǎi)可用的私密代理IP
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
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cookiesCOOKIES_ENABLED = False# 設(shè)置下載延遲DOWNLOAD_DELAY = 3# 添加自己編寫(xiě)的下載中間件DOWNLOADER_MIDDLEWARES = { #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543, 'mySpider.middlewares.RandomUserAgent': 1, 'mySpider.middlewares.ProxyMiddleware': 100} |
Scrapyd - 爬蟲(chóng)的遠(yuǎn)程部署和監(jiān)控
安裝Scrapyd
|
1
2
|
sudo pip install scrapydsudo 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(xiàng)目的Scrapyd配置名，配置Scrapyd服務(wù)的ip和port，以及當(dāng)前項(xiàng)目的項(xiàng)目名，如：
|
1
|
sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf |
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# scrapy項(xiàng)目的settings文件位置，不用改動(dòng)[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ipurl = http://localhost:6800/# 需要部署和監(jiān)控的Scrapy項(xiàng)目名project = Demo |
通過(guò)Scrapyd客戶(hù)端工具掛載項(xiàng)目
指令：scrapyd-deploy Scrapyd_Demo -p Demo
scrapyd-deploy 是客戶(hù)端命令，參數(shù)是 Scrapyd配置名，以及 -p 指定項(xiàng)目名
遠(yuǎn)程部署和停止爬蟲(chóng)
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(chóng)啟動(dòng)成功后，會(huì)生成job值，停止爬蟲(chóng)時(shí)需要通過(guò)job值停止。
以上就是python Scrapy爬蟲(chóng)框架的使用的詳細(xì)內(nèi)容，更多關(guān)于python Scrapy爬蟲(chóng)框架的資料請(qǐng)關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://www.cnblogs.com/teark/p/14290334.html
