scrapy框架真的是很強大。非常值得學習一下。本身py就追求簡潔，所以本身代碼量很少卻能寫出很強大的功能。對比java來說。不過py的語法有些操蛋，比如沒有智能提示。動態語言的通病。我也剛學習不到1周時間。記錄一下。全部干貨。
首先安裝scrapy框架。選擇的ide是pycharm。
創建一個scrapy項目。項目名稱xxoo
scrapy startproject xxoo
會得到一個項目目錄。具體目錄的作用自己百度下。然后再用一條命令創建一個爬蟲類。就是一個模板。幫我們創建好的類。我們只需要寫邏輯就行。程序員的天性就是懶！！！
意思是創建了一個xxooSpider的類 這個類只爬取baidu.com這個網站
scrapy genspider [-t template] <name> <domain> 即：scrapy genspider xxooSpider baidu.com
在pycharm中調試項目。
需要特殊配置下。
在根目錄下創建一個start.py的文件。 -o itcast1.csv 是輸出到csv文件中。可以不加
from scrapy import cmdline cmdline.execute("scrapy crawl xxooSpider --nolog -o itcast1.csv".split())
就ok了。
使用豆瓣鏡像源下載
pip install -i https://pypi.doubanio.com/simple/ scrapy-splash
獲取setting.py中的值
from scrapy.conf import settings cookie = settings['COOKIE']
獲取圖片的url地址
大牛通常使用這個方法。原因是，我們一般情況下也可以直接得到src屬性的值。但是，有時候src屬性的值沒有帶網址前綴，比如說是/img/1.png這樣。我們需要手動加上http://www.baidu.com才可以。用下面這個方法。可以很簡單的解決這個問題。
from urllib import parse url="http://www.baidu.com/xx" xx="/pic/1/1.png" urljoin = parse.urljoin(url, xx) print(urljoin)
http://www.baidu.com/pic/1/1.png
下載圖片
scrapy給我們提供好了圖片下載的模板。我們只需要在setting中指定一下管道中間件，和需要下載的字段。需要下載的字段值一定是數組類型，不然報錯
ITEM_PIPELINES = { 'xxoo.pipelines.XxooPipeline': 300, 'scrapy.pipelines.images.ImagesPipeline': 1, } #在item中定義圖片url的字段，ImagesPipeline會自動下載這個url地址 IMAGES_URLS_FIELD="image" #存放的路徑,根目錄下的img文件夾 IMAGES_STORE=os.path.join(os.path.abspath(os.path.dirname(__file__)),"img")
但是按照上面的寫的話，全部都是由scrapy幫我們做了，自己生成文件夾，文件名。非常不可控。如果我們想自定義的話。我們需要繼承ImagesPipeline類，重寫幾個方法
from scrapy.pipelines.images import ImagesPipeline import re from scrapy import Request class ImagesrenamePipeline(ImagesPipeline): # 1看源碼可以知道，這個方法只是遍歷出我們指定的圖片字段，是個數組，然后一個一個請求 def get_media_requests(self, item, info): # 循環每一張圖片地址下載，若傳過來的不是集合則無需循環直接yield for image_url in item['imgurl']: # meta里面的數據是從spider獲取，然后通過meta傳遞給下面方法：file_path yield Request(image_url,meta={'name':item['imgname']}) # 2重命名，若不重寫這函數，圖片名為哈希，就是一串亂七八糟的名字 def file_path(self, request, response=None, info=None): # 提取url前面名稱作為圖片名。 image_guid = request.url.split('/')[-1] # 接收上面meta傳遞過來的圖片名稱 name = request.meta['name'] # 過濾windows字符串，不經過這么一個步驟，你會發現有亂碼或無法下載 name = re.sub(r'[？\\*|“<>:/]', '', name) # 分文件夾存儲的關鍵：{0}對應着name；{1}對應着image_guid filename = u'{0}/{1}'.format(name, image_guid) return filename #3這個是請求完成之后走的方法，我們可以得到請求的url和存放的地址 def item_completed(self, results, item, info): pass
保存item到json文件
自定義的
import codecs import json class jsonwrite(object): # 初始化，打開文件 def __init__(self): self.file = codecs.open("xxoo.json", "w",encoding="utf-8") # scrapy會走這個方法進行item的寫入 def process_item(self,item,spider): self.file.write(json.dumps(dict(item),ensure_ascii=False) + "\n") # 通常是關閉文件的操作 def spider_closed(self,spider): self.file.close()
scrapy給我們提供的
from scrapy.exporters import JsonItemExporter class JsonExporterPipleline(object): #調用scrapy提供的json export導出json文件 def __init__(self): self.file = open('articleexport.json', 'wb') self.exporter = JsonItemExporter(self.file, encoding="utf-8", ensure_ascii=False) self.exporter.start_exporting() def close_spider(self, spider): self.exporter.finish_exporting() self.file.close() def process_item(self, item, spider): self.exporter.export_item(item) return item
保存到mysql中（兩種方法）
import MySQLdb import MySQLdb.cursors from twisted.enterprise import adbapi class MysqlPipeline(object): #采用同步的機制寫入mysql def __init__(self): self.conn = MySQLdb.connect('192.168.0.106', 'root', 'root', 'article_spider', charset="utf8", use_unicode=True) self.cursor = self.conn.cursor() def process_item(self, item, spider): insert_sql = """ insert into jobbole_article(title, url, create_date, fav_nums) VALUES (%s, %s, %s, %s) """ self.cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"])) self.conn.commit() #采用異步數據庫連接池的方法 class MysqlTwistedPipline(object): def __init__(self, dbpool): self.dbpool = dbpool @classmethod def from_settings(cls, settings): dbparms = dict( host = settings["MYSQL_HOST"], db = settings["MYSQL_DBNAME"], user = settings["MYSQL_USER"], passwd = settings["MYSQL_PASSWORD"], charset='utf8', cursorclass=MySQLdb.cursors.DictCursor, use_unicode=True, ) dbpool = adbapi.ConnectionPool("MySQLdb", **dbparms) return cls(dbpool) def process_item(self, item, spider): #使用twisted將mysql插入變成異步執行 query = self.dbpool.runInteraction(self.do_insert, item) query.addErrback(self.handle_error, item, spider) #處理異常 def handle_error(self, failure, item, spider): #處理異步插入的異常 print (failure) def do_insert(self, cursor, item): #執行具體的插入 #根據不同的item 構建不同的sql語句並插入到mysql中 insert_sql, params = item.get_insert_sql() cursor.execute(insert_sql, params)
優化item類（重要）
我們可以用xpath或者css解析頁面，然后寫一些判斷邏輯。如果你不嫌麻煩的話。
scrapy給我們提供了一整套的流程。可以讓代碼變得非常精簡。處理item的業務邏輯在item中寫。爬蟲文件只寫item的生成規則。
先看item類
from scrapy.loader import ItemLoader from scrapy.loader.processors import MapCompose, TakeFirst, Join #一個小技巧，可以覆蓋默認的規則，就是TakeFirst()把列表轉換成字符串，我們這里不讓轉成字符串，還是數組 def return_value(value): return value #因為通過自帶的ItemLoader類生成的item_loader他都是list，所以我們自定義下。默認的處理規則（可以單個字段覆蓋），這樣就不用每個字段都寫重復的代碼了 class ArticleItemLoader(ItemLoader): #自定義itemloader default_output_processor = TakeFirst() #自定義的item類。input_processor是指需要處理的業務邏輯，比如一些格式的轉換什么的，output_processor可以覆蓋默認的規則。 class JobBoleArticleItem(scrapy.Item): title = scrapy.Field() create_date = scrapy.Field( input_processor=MapCompose(date_convert), ) url = scrapy.Field() url_object_id = scrapy.Field() front_image_url = scrapy.Field( output_processor=MapCompose(return_value) ) front_image_path = scrapy.Field() praise_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) comment_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) fav_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) tags = scrapy.Field( input_processor=MapCompose(remove_comment_tags), output_processor=Join(",") ) content = scrapy.Field()
爬蟲類
from scrapy.loader import ItemLoader from ArticleSpider.items import JobBoleArticleItem, ArticleItemLoader def parse_detail(self, response): article_item = JobBoleArticleItem() #通過item loader加載item front_image_url = response.meta.get("front_image_url", "") # 文章封面圖 item_loader = ArticleItemLoader(item=JobBoleArticleItem(), response=response) item_loader.add_css("title", ".entry-header h1::text") item_loader.add_value("url", response.url) item_loader.add_value("url_object_id", get_md5(response.url)) item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text") item_loader.add_value("front_image_url", [front_image_url]) item_loader.add_css("praise_nums", ".vote-post-up h10::text") item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text") item_loader.add_css("fav_nums", ".bookmark-btn::text") item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text") item_loader.add_css("content", "div.entry") article_item = item_loader.load_item() yield article_item
獲取一個頁面的全部url
我們當然可以用xpath得到，但是還不夠精簡。我們可以使用 linkExtractor 類來得到。非常的簡單。
from scrapy.linkextractors import LinkExtractor # 需要搞一個對象實例，然后寫一個符合的規則，利用extract_links方法傳一個response過去就能得到這個頁面匹配的url link = linkExtractor=LinkExtractor(allow=r'http://lab.scrapyd.cn')# link = linkExtractor=LinkExtractor()#allow=r'http://lab.scrapyd.cn/archives/\d+.html' links = link.extract_links(response) if links: for link_one in links: print(link_one)
日志的使用
Scrapy提供了log功能，可以通過 logging 模塊使用。
可以修改配置文件settings.py，任意位置添加下面兩行，效果會清爽很多。
LOG_FILE = "TencentSpider.log" LOG_LEVEL = "INFO"
Log levels Scrapy提供5層logging級別: CRITICAL - 嚴重錯誤(critical) ERROR - 一般錯誤(regular errors) WARNING - 警告信息(warning messages) INFO - 一般信息(informational messages) DEBUG - 調試信息(debugging messages)
logging設置
通過在setting.py中進行以下設置可以被用來配置logging:
LOG_ENABLED 默認: True，啟用logging LOG_ENCODING 默認: 'utf-8'，logging使用的編碼 LOG_FILE 默認: None，在當前目錄里創建logging輸出文件的文件名 LOG_LEVEL 默認: 'DEBUG'，log的最低級別 LOG_STDOUT 默認: False 如果為 True，進程所有的標准輸出(及錯誤)將會被重定向到log中。例如，執行 print "hello" ，其將會在Scrapy log中顯示。
保存到mongdb數據庫
import pymongo from scrapy.conf import settings class DoubanPipeline(object): def __init__(self): host = settings["MONGODB_HOST"] port = settings["MONGODB_PORT"] dbname = settings["MONGODB_DBNAME"] sheetname= settings["MONGODB_SHEETNAME"] # 創建MONGODB數據庫鏈接 client = pymongo.MongoClient(host = host, port = port) # 指定數據庫 mydb = client[dbname] # 存放數據的數據庫表名 self.sheet = mydb[sheetname] def process_item(self, item, spider): data = dict(item) self.sheet.insert(data) return item
setting文件
# MONGODB 主機名 MONGODB_HOST = "127.0.0.1" # MONGODB 端口號 MONGODB_PORT = 27017 # 數據庫名稱 MONGODB_DBNAME = "Douban" # 存放數據的表名稱 MONGODB_SHEETNAME = "doubanmovies"
下載中間件，隨機更換user-Agent和ip
import random import base64 from settings import USER_AGENTS from settings import PROXIES # 隨機的User-Agent class RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) #print useragent 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: # 沒有代理賬戶驗證的代理使用方式 request.meta['proxy'] = "http://" + proxy['ip_port'] else: # 對賬戶密碼進行base64編碼轉換 base64_userpasswd = base64.b64encode(proxy['user_passwd']) # 對應到代理服務器的信令格式里 request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port']
setting文件
USER_AGENTS = [ 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)', 'Opera/9.27 (Windows NT 5.2; U; zh-cn)', 'Opera/8.0 (Macintosh; PPC Mac OS X; U; en)', 'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0', 'Mozilla/5.0 (Linux; U; Android 4.0.3; zh-cn; M032 Build/IML74K) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30', 'Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13' ] PROXIES = [ {"ip_port" :"121.42.140.113:16816", "user_passwd" : "mr_mao_hacker:sffqry9r"}, #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} ]
登陸的三種方法
1，直接找到登陸接口，提供賬號密碼進行登陸，也是最簡單的。
2，有時候需要從登錄頁找到隱藏的值，然后提交到后台，比如知乎就需要在登錄頁得到_xsrf，
3，最麻煩的一種，對方各種加密驗證，我們可以采用cookie進行登陸。
分別寫三個代碼參考下：
1.簡單
# -*- coding: utf-8 -*- import scrapy # 只要是需要提供post數據的，就可以用這種方法， # 下面示例：post數據是賬戶密碼 class Renren1Spider(scrapy.Spider): name = "renren1" allowed_domains = ["renren.com"] def start_requests(self): url = 'http://www.renren.com/PLogin.do' yield scrapy.FormRequest( url = url, formdata = {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"}, callback = self.parse_page) def parse_page(self, response): with open("mao2.html", "w") as filename: filename.write(response.body)
2.中等
# -*- coding: utf-8 -*- import scrapy # 正統模擬登錄方法： # 首先發送登錄頁面的get請求，獲取到頁面里的登錄必須的參數，比如說zhihu的 _xsrf # 然后和賬戶密碼一起post到服務器，登錄成功 class Renren2Spider(scrapy.Spider): name = "renren2" allowed_domains = ["renren.com"] start_urls = ( "http://www.renren.com/PLogin.do", ) def parse(self, response): #_xsrf = response.xpath("//_xsrf").extract()[0] yield scrapy.FormRequest.from_response( response, formdata = {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"},#, "_xsrf" = _xsrf}, callback = self.parse_page ) def parse_page(self, response): print "=========1===" + response.url #with open("mao.html", "w") as filename: # filename.write(response.body) url = "http://www.renren.com/422167102/profile" yield scrapy.Request(url, callback = self.parse_newpage) def parse_newpage(self, response): print "===========2====" + response.url with open("xiao.html", "w") as filename: filename.write(response.body)
3.困難
# -*- coding: utf-8 -*- import scrapy # 實在沒辦法了，可以用這種方法模擬登錄，麻煩一點，成功率100% class RenrenSpider(scrapy.Spider): name = "renren" allowed_domains = ["renren.com"] start_urls = ( 'http://www.renren.com/xxxxx', 'http://www.renren.com/11111', 'http://www.renren.com/xx', ) cookies = { "anonymid" : "ixrna3fysufnwv", "_r01_" : "1", "ap" : "327550029", "JSESSIONID" : "abciwg61A_RvtaRS3GjOv", "depovince" : "GW", "springskin" : "set", "jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198628950", "jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198619601", "ver" : "7.0", "XNESSESSIONID" : "e703b11f8809", "jebecookies" : "98c7c881-779f-4da8-a57c-7464175cd469|||||", "ick_login" : "4b4a254a-9f25-4d4a-b686-a41fda73e173", "_de" : "BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5", "p" : "ea5541736f993365a23d04c0946c10e29", "first_login_flag" : "1", "ln_uact" : "mr_mao_hacker@163.com", "ln_hurl" : "http://hdn.xnimg.cn/photos/hdn521/20140529/1055/h_main_9A3Z_e0c300019f6a195a.jpg", "t" : "691808127750a83d33704a565d8340ae9", "societyguester" : "691808127750a83d33704a565d8340ae9", "id" : "327550029", "xnsid" : "f42b25cf", "loginfrom" : "syshome" } def start_requests(self): for url in self.start_urls: #yield scrapy.Request(url, callback = self.parse) #url = "http://www.renren.com/410043129/profile" yield scrapy.FormRequest(url, cookies = self.cookies, callback = self.parse_page) def parse_page(self, response): print "===========" + response.url with open("deng.html", "w") as filename: filename.write(response.body)