python爬蟲入門 之 移動端數據的爬取

第七章 移動端數據的爬取

  • 基於某一款抓包工具 : fiddler ,青花瓷 ,miteproxyphp

7.1 fiddler 基本配置

7.1.1fiddler簡介和安裝

  • 什麼是Fiddler?html

    • Fiddler是位於客戶端和服務器端的HTTP代理,也是目前最經常使用的http抓包工具之一 。 它可以記錄客戶端和服務器之間的全部 HTTP請求,能夠針對特定的HTTP請求,分析請求數據、設置斷點、調試web應用、修改請求的數據,甚至能夠修改服務器返回的數據,功能很是強大,是web調試的利器。python

  • Fiddler安裝mysql

7.1.2手機APP抓包設置

  • Fiddler設置打開Fiddler軟件,打開工具的設置。(Fiddler軟件菜單欄:Tools->Options)在HTTPS中設置以下:redis

  • 在Connections中設置以下sql

    • 這裏使用默認8888端口,固然也能夠本身更改,可是注意不要與已經使用的端口衝突:Allow remote computers to connect:容許別的機器把請求發送到fiddler上來chrome

  • 安全證書下載windows

    • 在電腦瀏覽器中輸入地址:http://localhost:8888/,點擊FiddlerRoot certificate,下載安全證書:

  • 安全證書安裝

    • 證書是須要在手機上進行安裝的,這樣在電腦Fiddler軟件抓包的時候,手機使用電腦的網卡上網纔不會報錯。

  • Android手機安裝:

    • 把證書放入手機的內置或外置存儲卡上,而後經過手機的"系統安全-》從存儲設備安裝"菜單安裝證書。而後找到拷貝的FiddlerRoot.cer進行安裝便可。安裝好以後,能夠在信任的憑證中找到咱們已經安裝好的安全證書。

  • 蘋果手機安裝:

    • 保證手機網絡和fiddler所在機器網絡是同一個網段下的在safari中訪問http://fiddle機器ip:fiddler端口,進行證書下載。而後進行安裝證書操做。在手機中的設置-》通用-》關於本機-》證書信任設置-》開啓fiddler證書信任

  • 局域網設置 想要使用Fiddler進行手機抓包,首先要確保手機和電腦的網絡在一個內網中,可使用讓電腦和手機都鏈接同一個路由器。固然,也可讓電腦開放WIFI熱點,手機連入。這裏,我使用的方法是,讓手機和電腦同時連入一個路由器中。最後,讓手機使用電腦的代理IP進行上網。 在手機上,點擊鏈接的WIFI進行網絡修改,添加代理。進行手動設置,ip和端口號都是fiddler機器的ip和fiddler上設置的端口號。

  • Fiddler手機抓包測試

    • 上述步驟都設置完成以後,用手機瀏覽器打開百度首頁,咱們就能夠順利抓包了

7.1.3移動端數據的捕獲流程

  • tools --> options --> connection -->allow remote

  • http: fiddler所在pc機的ip :8888/ 訪問到一張提供了證書下載功能的界面

  • fiddler所在機器和手機在同一網段下 :在手機上瀏覽器中訪問 http: fiddler所在pc機的ip :8888 獲取子頁面進行證書的下載和安裝(證書信任的操做)

  • 配置你手機的代理 :將手機的代理配置成 fiddler所對應的pc機的ip和手機本身的端口

  • 就可讓fiddler捕獲手機發起的http和https的請求

7.2 scrapy ,pyspider

#總結:
#爬蟲文件中的屬性和方法
 name :爬蟲文件惟一標識 start_url:該列表中的url會被自動的進行請求發送 #自動請求發送的過程:
    def start_requests(self): for url in self.start_urls: yield scrapy.Request(url,callback=self.parse) ​ #數據解析:
 scrapy中封裝的xpath進行數據解析 #scrapy中的xpath 和 etree中的xpath的區別
    scrapy的xpath進行數據解析後返回的列表元素爲Selector對象,extract或extract_first這兩個方法將Selector對象中對應的數據取出
View Code

7.2.1Scrapy簡介

  • 什麼是框架?如何學習

    • 框架就是一個集成各類功能且具備很強通用性(能夠被應用在各類不一樣的需求中)的一個項目模板

    • 咱們只須要學習框架中封裝好的相關功能便可

  • scrapy 集成的功能

    • 高性能的數據解析操做 ,持久化存儲,高性能的數據下載操做......

  • 環境的安裝(windows)

7.2.2 scrapy的基本使用

  • 建立一個工程 :scrapy startproject firstBlood

    • 項目結構:

      project_name/ scrapy.cfg: #項目的主配置信息。(真正爬蟲相關的配置信息在settings.py文件中)
         project_name/
             __init__.py items.py #設置數據存儲模板,用於結構化數據,如:Django的Model
             pipelines.py        #數據持久化處理
             settings.py         #配置文件,如:遞歸的層數、併發數,延遲下載等
             spiders/            #爬蟲目錄,如:建立文件,編寫爬蟲解析規則
                 __init__.py
  • 建立爬蟲應用程序:(必須在spider這個目錄下建立一個爬蟲文件)

    • cd proName

    • scrapy genspider spiderName www.xx.com

  • 編寫爬蟲文件:在步驟2執行完畢後,會在項目的spiders中生成一個應用名的py爬蟲文件

    import scrapy class FirstSpider(scrapy.Spider): #爬蟲文件的名稱:爬蟲文件的惟一標識(在spiders子目錄下是能夠建立多個爬蟲文件)
        name = 'first'
        #容許的域名
        # allowed_domains = ['www.baidu.com']
        #起始的url列表:列表中存放的url會被scrapy自動的進行請求發送
        start_urls = ['https://www.baidu.com/','https://www.sogou.com/'] #用做於數據解析:將start_urls列表中對應的url請求成功後的響應數據進行解析
        def parse(self, response): print(response.text) #獲取字符串類型的響應內容
            print(response.body)#獲取字節類型的相應內容
    View Code
  • 設置修改settings.py配置文件相關配置

    # settings.py 文件中
        #不聽從robots協議
        #進行UA假裝
        #進行日誌等級設定: LOG_LEVEL = False
    View Code

    setting.py中 ----- 基於終端指令的持久化存儲操做

    BOT_NAME = 'firstBlood' SPIDER_MODULES = ['firstBlood.spiders'] NEWSPIDER_MODULE = 'firstBlood.spiders'
    
    
    # Crawl responsibly by identifying yourself (and your website) on the user-agent
    USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'       #進行ua假裝 # Obey robots.txt rules
    ROBOTSTXT_OBEY = False    #不聽從robotstx協議
    LOG_LEVEL = 'ERROR'       #輸出錯誤類型的日誌
    View Code

    setting.py ------------- 基於管道的持久化存儲

    BOT_NAME = 'qiubaiPro' USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' SPIDER_MODULES = ['qiubaiPro.spiders'] NEWSPIDER_MODULE = 'qiubaiPro.spiders' ITEM_PIPELINES = { 'qiubaiPro.pipelines.QiubaiproPipeline': 300, #300表示的是優先級(數值越小優先級越大)
    }
    View Code
  • 執行爬蟲程序:scripy crawl spiderName

    • 不輸出日誌(錯誤信息會在日誌中輸出,不要使用) 

      scripy crawl spiderName --nolog
      View Code

7.2.3scrapy框架持久化存儲

#持久化存儲
    #基於終端指令
 特性 : 只能將 parse 方法的返回值存儲到本地的磁盤文件中 指令 : scripy crawl spiderName -o filepath #基於管道
        #實現流程
        1.數據解析 2.在item類中定義相關屬性 3.將解析的數據封裝到一個 item 對象中(item文件中對應類的對象) 4.向管道提交item 5.在管道文件中的 process_item 方法中接收 item 進行持久化存儲 6.在配置文件中開啓管道 #管道中需注意細節:
        1.配置文件中開啓的管道是一個字典,字典中的鍵值表示的就是某一個管道 2.在管道對應的源文件中其實能夠定義多個管道類,一種形式的持久化存儲 3.在process_item方法中的 return item 表示的是提交給下一個即將被執行的管道類 4.爬蟲文件中yield item 只能夠將item傳遞給第一個被執行的(優先級最高的)管道 #將同一份數據持久化存儲到不一樣平臺中:
        #分析
        1.管道文件中的一個管道內負責數據的一種形式的持久化存儲

setting.py中 ----- 基於終端指令的持久化存儲操做

BOT_NAME = 'firstBlood' SPIDER_MODULES = ['firstBlood.spiders'] NEWSPIDER_MODULE = 'firstBlood.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'       #進行ua假裝 # Obey robots.txt rules
ROBOTSTXT_OBEY = False    #不聽從robotstx協議
LOG_LEVEL = 'ERROR'       #輸出錯誤類型的日誌
View Code

setting.py ------------- 基於管道的持久化存儲

BOT_NAME = 'qiubaiPro' USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' SPIDER_MODULES = ['qiubaiPro.spiders'] NEWSPIDER_MODULE = 'qiubaiPro.spiders' ITEM_PIPELINES = { 'qiubaiPro.pipelines.QiubaiproPipeline': 300, #300表示的是優先級(數值越小優先級越大)
}
View Code

糗事百科

qiubai.py

import scrapy from qiubaiPro.items import QiubaiproItem class QiubaiSpider(scrapy.Spider): name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/'] #基於終端指令的持久化存儲操做
    # def parse(self, response):
    # div_list = response.xpath('//*[@id="content-left"]/div')
    # all_data = []
    # for div in div_list:
    # #scrapy中的xpath返回的列表的列表元素必定是Selector對象,咱們最終想要的解析的
    # #數據必定是存儲在該對象中
    # #extract()將Selector對象中data參數的值取出
    # # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
    # author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
    # #列表直接調用extract表示的是將extract做用到每個列表元素中
    # content = div.xpath('./a[1]/div/span//text()').extract()
    # content = ''.join(content)
    # dic = {
    # 'author':author,
    # 'content':content
    # }
    # all_data.append(dic)
    # return all_data
    
   
    #基於管道的持久化存儲
    def parse(self, response): div_list = response.xpath('//*[@id="content-left"]/div') all_data = [] for div in div_list: #scrapy中的xpath返回的列表的列表元素必定是Selector對象,咱們最終想要的解析的
            #數據必定是存儲在該對象中
            #extract()將Selector對象中data參數的值取出
            # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            author = div.xpath('./div[1]/a[2]/h2/text()').extract_first() #列表直接調用extract表示的是將extract做用到每個列表元素中
            content = div.xpath('./a[1]/div/span//text()').extract() content = ''.join(content) #將解析的數據存儲到item對象
            item = QiubaiproItem() item['author'] = author item['content'] = content #將item提交給管道
            yield item #item必定是提交給了優先級最高的管道類
View Code

itims.py

import scrapy class QiubaiproItem(scrapy.Item): # define the fields for your item here like:
    author = scrapy.Field() #Field能夠將其理解成是一個萬能的數據類型
    content = scrapy.Field()
View Code

pipelines.py 管道文件

import pymysql from redis import Redis class QiubaiproPipeline(object): fp = None def open_spider(self,spider): print('開始爬蟲......') self.fp = open('qiushibaike.txt','w',encoding='utf-8') #使用來接收爬蟲文件提交過來的item,而後將其進行任意形式的持久化存儲
    #參數item:就是接收到的item對象
    #該方法每接收一個item就會調用一次
    def process_item(self, item, spider): author = item['author'] content= item['content'] self.fp.write(author+':'+content+'\n') return item #item是返回給了下一個即將被執行的管道類

    def close_spider(self,spider): print('結束爬蟲!') self.fp.close() #負責將數據存儲到mysql
class MysqlPL(object): conn = None cursor = None def open_spider(self,spider): self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='123',db='spider',charset='utf8') print(self.conn) def process_item(self,item,spider): author = item['author'] content = item['content'] sql = 'insert into qiubai values ("%s","%s")'%(author,content) self.cursor = self.conn.cursor() try: self.cursor.execute(sql) self.conn.commit() except Exception as e: print(e) self.conn.rollback() return item def close_spider(self,spider): self.cursor.close() self.conn.close() #基於redis的管道存儲
class RedisPL(object): conn = None def open_spider(self,spider): self.conn = Redis(host='127.0.0.1',port=6379) print(self.conn) def process_item(self,item,spider): self.conn.lpush('all_data',item)     # name value
        #注意:若是將字典寫入redis報錯:pip install -U redis==2.10.6
View Code

7.2.4scrapy框架之遞歸解析和post請求

遞歸解析(手動請求發送)

  • 使用場景 :爬取多個頁碼對應的頁面源碼數據

  • yield scrapy.Request(url,callback)

import scrapy from qiubaiPro.items import QiubaiproItem class QiubaiSpider(scrapy.Spider): name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/'] #將多個頁碼對應的頁面數據進行爬取和解析的操做
    url = 'https://www.qiushibaike.com/text/page/%d/'#通用的url模板
    pageNum = 1
    #parse第一次調用表示的是用來解析第一頁對應頁面中的段子內容和做者
    def parse(self, response): div_list = response.xpath('//*[@id="content-left"]/div') all_data = [] for div in div_list: # scrapy中的xpath返回的列表的列表元素必定是Selector對象,咱們最終想要的解析的
            # 數據必定是存儲在該對象中
            # extract()將Selector對象中data參數的值取出
            # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            author = div.xpath('./div[1]/a[2]/h2/text()').extract_first() # 列表直接調用extract表示的是將extract做用到每個列表元素中
            content = div.xpath('./a[1]/div/span//text()').extract() content = ''.join(content) # 將解析的數據存儲到item對象
            item = QiubaiproItem() item['author'] = author item['content'] = content # 將item提交給管道
            yield item  # item必定是提交給了優先級最高的管道類

        if self.pageNum <= 5: self.pageNum += 1 new_url = format(self.url%self.pageNum) #手動請求(get)的發送
            yield scrapy.Request(new_url,callback=self.parse)
View Code

post請求發送

  • 問題:在以前代碼中,咱們歷來沒有手動的對start_urls列表中存儲的起始url進行過請求的發送,可是起始url的確是進行了請求的發送,那這是如何實現的呢?

    • 解答:實際上是由於爬蟲文件中的爬蟲類繼承到了Spider父類中的start_requests(self)這個方法,該方法就能夠對start_urls列表中的url發起請求:

      def start_requests(self): for u in self.start_urls: yield scrapy.Request(url=u,callback=self.parse)
  • 【注意】該方法默認的實現,是對起始的url發起get請求,若是想發起post請求,則須要子類重寫該方法。

    • 方法: 重寫start_requests方法,讓其發起post請求:

      def start_requests(self): #請求的url
              post_url = 'http://fanyi.baidu.com/sug'
              # post請求參數
              formdata = { 'kw': 'wolf', } # 發送post請求
              yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)
     

scrapy五大核心組件

#引擎(Scrapy)
 用來處理整個系統的數據流處理, 觸發事務(框架核心) #調度器(Scheduler)
 用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 能夠想像成一個URL(抓取網頁的網址或者說是連接)的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址 #下載器(Downloader)
 用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是創建在twisted這個高效的異步模型上的) #爬蟲(Spiders)
 爬蟲是主要幹活的, 用於從特定的網頁中提取本身須要的信息, 即所謂的實體(Item)。用戶也能夠從中提取出連接,讓Scrapy繼續抓取下一個頁面 #項目管道(Pipeline)
  負責處理爬蟲從網頁中抽取的實體,主要的功能是持久化實體、驗證明體的有效性、清除不須要的信息。當頁面被爬蟲解析後,將被髮送到項目管道,並通過幾個特定的次序處理數據。

 

  • 工做流程

    #步驟
    1.spider中的url被封裝成請求對象交給引擎(每個url對應一個請求對象); 2.引擎拿到請求對象以後, 將其所有交給調度器; 3.調度器拿到全部請求對象後, 經過內部的過濾器過濾掉重複的url, 最後將去重後的全部url對應的請求對象壓入到隊列中, 隨後調度器調度出其中一個請求對象, 並將其交給引擎; 4.引擎將調度器調度出的請求對象交給下載器; 5.下載器拿到該請求對象去互聯網中下載數據; 6.數據下載成功後會被封裝到response中, 隨後response會被交給下載器; 7.下載器將response交給引擎; 8.引擎將response交給spiders; 9.spiders拿到response後調用回調方法進行數據解析, 解析成功後產生item, 隨後spiders將item交給引擎; 10.引擎將item交給管道, 管道拿到item後進行數據的持久化存儲.

7.3基於scrapy進行圖片數據的爬取

  • 示例 :校花網圖片的爬取

    連接地址 :http://www.521609.com/daxuemeinv/list81.html

  • 項目的建立

    • scrapy startproject imgPro

    • cd imgPro

    • scrapy genspider img www.xxx.com

  • 如何基於scrapy進行圖片的爬取

    1.在爬蟲文件中只須要解析出圖片地址,而後將圖片地址提交給管道 2.配置文件中添加  IMAGES_STORE = './imasLib'
    1.在管道文件中進行管道類的制定: from scrapy.pipelines.images import ImagesPipeline 將管道的父類修改爲 ImagesPipeline 重寫父類的三個方法
  • 代碼:

    img.py

    import scrapy from imgPro.items import ImgproItem class ImgSpider(scrapy.Spider): name = 'img'
        # allowed_domains = ['www.x.com']
        start_urls = ['http://www.521609.com/daxuemeinv/'] url = 'http://www.521609.com/daxuemeinv/list8%d.html' pageNum = 1
        def parse(self, response): li_list = response.xpath('//*[@id="content"]/div[2]/div[2]/ul/li') for li in li_list: img_src = 'http://www.521609.com' + li.xpath('./a[1]/img/@src').extract_first() item = ImgproItem() item['src'] = img_src yield item if self.pageNum < 4: self.pageNum += 1 new_url = format(self.url%self.pageNum) yield scrapy.Request(new_url,callback=self.parse)
    View Code

    setting.py

    ##不聽從robotstx協議
    ROBOTSTXT_OBEY = False #輸出錯誤類型的日誌
    LOG_LEVEL = 'ERROR'
    # LOG_FILE = './log.txt'
    
    #圖片存儲地址
    IMAGES_STORE = './imasLib' ITEM_PIPELINES = { 'imgPro.pipelines.ImgproPipeline': 300, }
    View Code

    pipelines.py

    import scrapy from scrapy.pipelines.images import ImagesPipeline class ImgproPipeline(ImagesPipeline): #對某一個媒體資源進行請求發送
        # item 就是接收到的spider提交的數據
        def get_media_requests(self, item, info): yield scrapy.Request(item['src']) #指定媒體數據存儲的名稱
        def file_path(self, request, response=None, info=None): #返回原始圖片名稱
            name = request.url.split('/')[-1] print("正在下載:",name) return name #將 item 傳遞給下一個即將被執行的管道類
        def item_completed(self, results, item, info): return item
    View Code

    items.py

    import scrapy class ImgproItem(scrapy.Item): # define the fields for your item here like:
        src = scrapy.Field()
    View Code

如何提高scrapy爬取數據的效率

只須要將以下五個步驟配置在配置文件中便可:

#增長併發
    默認scrapy開啓的併發線程爲32個,能夠適當進行增長。在settings配置文件中修改CONCURRENT_REQUESTS = 100值爲100,併發設置成了爲100。 #下降日誌級別:
    在運行scrapy時,會有大量日誌信息的輸出,爲了減小CPU的使用率。能夠設置log輸出信息爲INFO或者ERROR便可。在配置文件中編寫:LOG_LEVEL = ‘INFO’ #禁止cookie:
    若是不是真的須要cookie,則在scrapy爬取數據時能夠禁止cookie從而減小CPU的使用率,提高爬取效率。在配置文件中編寫:COOKIES_ENABLED = False #禁止重試:
    對失敗的HTTP進行從新請求(重試)會減慢爬取速度,所以能夠禁止重試。在配置文件中編寫:RETRY_ENABLED = False #減小下載超時:
    若是對一個很是慢的連接進行爬取,減小下載超時能夠能讓卡住的連接快速被放棄,從而提高效率。在配置文件中進行編寫:DOWNLOAD_TIMEOUT = 10 超時時間爲10s

7.4請求傳參

  • 實現深度爬取:爬取多個層級對應的頁面數據

  • 使用場景:爬取的數據沒有在同一張頁面中

  • 在手動請求的時候傳遞item:yield scrapy.Request(url,callback,meta={'item':item})

    • 將meta這個字典傳遞給callback

    • 在callback中接收meta:item = response.meta['item']

  • 代碼:

    movie.py

    import scrapy from moviePro.items import MovieproItem class MovieSpider(scrapy.Spider): name = 'movie'
        # allowed_domains = ['www.xxx.com']
        start_urls = ['https://www.4567tv.tv/index.php/vod/show/class/動做/id/5.html'] url = 'https://www.4567tv.tv/index.php/vod/show/class/動做/id/5/page/%d.html' pageNum = 1
        def parse(self, response): li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li') for li in li_list: title = li.xpath('./div[1]/a/@title').extract_first() detail_url = "https://www.4567tv.tv" + li.xpath('./div[1]/a/@href').extract_first() item = MovieproItem() item['title'] = title # meta參數是一個字典,該參數能夠傳遞給callback指定的回調函數,
                yield scrapy.Request(detail_url,callback=self.parse_detail,meta={'item':item}) if self.pageNum < 5: self.pageNum += 1 new_url = format(self.url%self.pageNum) yield scrapy.Request(new_url,callback=self.parse) def parse_detail(self,response): #接收參數 response.meta
            item = response.meta['item'] #簡介
            desc = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()').extract_first() item['desc'] = desc yield item
    View Code

    setting.py

    BOT_NAME = 'moviePro' SPIDER_MODULES = ['moviePro.spiders'] NEWSPIDER_MODULE = 'moviePro.spiders'
    
    # UA假裝
    USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
    
    # Obey robots.txt rules
    ROBOTSTXT_OBEY = False #輸出錯誤類型的日誌
    LOG_LEVEL = 'ERROR' ITEM_PIPELINES = { 'moviePro.pipelines.MovieproPipeline': 300, }
    View Code

    items.py

    import scrapy class MovieproItem(scrapy.Item): # define the fields for your item here like:
        title = scrapy.Field() desc = scrapy.Field()
    View Code

    pipelines.py

    class MovieproPipeline(object): def process_item(self, item, spider): print(item) return item
    View Code

7.5scrapy中的中間件的應用

1.請求載體身份標識(可用)

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" ]
View Code

3.代理池(不可用)

PROXY_http = [ '153.180.102.104:80', '195.208.131.189:56055', ] PROXY_https = [ '120.83.49.90:9000', '95.189.112.214:35508', ]
View Code

3.爬蟲中間件

4.下載中間件

  • 做用 :批量攔截請求和響應

攔截請求

  • UA假裝 :將全部的請求儘量多的設定成不一樣的請求載體身份標識

  • 代理操做

    rom scrapy import signals import random 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" ] PROXY_http = [ '153.180.102.104:80', '195.208.131.189:56055', ] PROXY_https = [ '120.83.49.90:9000', '95.189.112.214:35508', ] # 下載中間件
    class MovieproDownloaderMiddleware(object): # 攔截正常的請求,參數 request 就是攔截到請求對象
        def process_request(self, request, spider): print("i am process_request") #實現:將攔截到的請求儘量多的設定成不一樣的請求載體身份標識
            request.headers['USER_AGENT'] = random.choice(user_agent_list) if request.url.split(":")[0] == "http": request.meta['proxy'] = 'http://' + random.choice(PROXY_http) else: request.meta['proxy'] = 'https://' + random.choice(PROXY_https) return None # 攔截響應,參數 request 就是攔截到響應
        def process_response(self, request, response, spider): print("i am process_response") return response # 攔截髮生異常的請求
        def process_exception(self, request, exception, spider): print("i am process_exception") #攔截到異常的請求,而後對其進行修正,而後從新進行請求發送
            #代理操做
            if request.url.split(":")[0] == "http": request.meta['proxy'] = 'http://' + random.choice(PROXY_http) else: request.meta['proxy'] = 'https://' + random.choice(PROXY_https) #將修正後的請求進行從新發送
            return request
    View Code

攔截響應

  • 篡改響應數據或直接替換響應對象

  • 需求 : 爬取網易新聞 國內,國際,軍事,航空,無人機這五個板塊下對應的新聞標題和內容

    #分析:
    1.每個板塊對應的新聞數據是動態加載出來的 # selenium在scrapy中的應用:
        實例化瀏覽器對象:卸載爬蟲類的構造方法中

    wangyi.py

    import scrapy from selenium import webdriver from wangyiPro.items import WangyiproItem class WangyiSpider(scrapy.Spider): name = 'wangyi'
        # allowed_domains = ['www.xxx.com']
        start_urls = ['https://news.163.com'] five_model_urls = [] #實例化一個瀏覽器對象
        bro = webdriver.Chrome(executable_path=r'E:\飛秋\爬蟲+數據\tools\chromedriver.exe') #用來解析五個板塊對應的url,而後對齊進行手動請求發送
        def parse(self, response): model_index = [3,4,6,7,8] li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li') for index in model_index: li = li_list[index] #獲取五個板塊對應的url
                model_url = li.xpath('./a/@href').extract_first() self.five_model_urls.append(model_url) #對每一個板塊的url進行手動請求發送
                yield scrapy.Request(model_url,callback=self.parse_model) #用做與解析每一個板塊中的新聞標題和新聞詳情頁的url
        #問題:response(不知足需求的response)沒有包含每個板塊中動態加載的新聞數據
        def parse_model(self,response): div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div') for div in div_list: title = div.xpath('./div/div[1]/h3/a/text()').extract_first() detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first() item = WangyiproItem() item['title'] = title #對詳情頁發起請求解析出新聞內容
                yield scrapy.Request(detail_url,callback=self.prase_new_detail,meta={'item':item}) def prase_new_detail(self,response): item = response.meta['item'] content = response.xpath('//*[@id="endText"]//text()').extract() content = ''.join(content) item['content'] = content yield item #最後執行
        def closed(self,spider): self.bro.quit()
    View Code

    items.py

    import scrapy class WangyiproItem(scrapy.Item): # define the fields for your item here like:
        title = scrapy.Field() content = scrapy.Field()
    View Code

    middlewares.py

    from scrapy import signals from scrapy.http import HtmlResponse from time import sleep class WangyiproDownloaderMiddleware(object): def process_request(self, request, spider): return None # spider 就是爬蟲文件中爬蟲類實例化的對象
        def process_response(self, request, response, spider): #進行全部響應對象的攔截
            # 1.將全部響應對象中那五個不知足需求的響應對象找出
                #每一個響應對象對應惟一一個請求對象
                #若是咱們定位到五個響應對象的請求對象後,就能夠經過該請求對象定位到指定的響應對象
                #能夠經過五個板塊的 url 定位請求對象
                    #總結: url ==> request ==> response
            # 2.將找出的五個不知足需求的響應對象進行修正(替換)
    
            # spider.five_model_urls :五個板塊對應的url
            bro = spider.bro if request.url in spider.five_model_urls: bro.get(request.url) sleep(1) #包含了動態加載的新聞數據
                page_text = bro.page_source #若是if條件成立,則該response就是五個板塊對應的響應對象
                new_response = HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request) return new_response return response def process_exception(self, request, exception, spider): pass
    View Code

    pipelines.py

    class WangyiproPipeline(object): def process_item(self, item, spider): print(item) return item
    View Code

    setting.py

    BOT_NAME = 'wangyiPro' SPIDER_MODULES = ['wangyiPro.spiders'] NEWSPIDER_MODULE = 'wangyiPro.spiders'
    
    # UA假裝
    USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False LOG_LEVEL = 'ERROR' DOWNLOADER_MIDDLEWARES = { 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543, } ITEM_PIPELINES = { 'wangyiPro.pipelines.WangyiproPpeline': 300, }
    View Code

7.6.基於CrawSpider的全站數據爬取

  • CrawSpider簡介

    • CrawSpider就是爬蟲類中 Spider的一個子類

    • 除了繼承到Spider的特性和功能外,還派生除了其本身獨有的更增強大的特性和功能。其中最顯著的功能就是」LinkExtractors連接提取器「。Spider是全部爬蟲的基類,其設計原則只是爲了爬取start_url列表中網頁,而從爬取到的網頁中提取出的url進行繼續的爬取工做使用CrawlSpider更合適。

  • 使用流程

    1.建立一個基於CrawSpider的爬蟲文件 : scrapy startproject sunPro cd sunPro scrapy genspider -t crawl spiderName www.xxx.com 2.構造連接提取器和規則解析器 連接提取器 做用:可根據指定的規則進行指定連接的提取 提取規則:allow = '正則表達式' 規則解析器 做用:獲取連接提取器提取到的連接,而後進行請求發送,根據指定規則對請求到的頁面源碼數據進行數據解析 follow = 'True' :將連接提取器 繼續做用到 連接提取器所提取到的頁碼連接所對應的頁面中

7.6.1 基於CrawSpider的基本使用

數據連接地址 :http://wz.sun0769.com/index.php/question/questionType?type=4&page=

sun.py

import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule #未實現深度爬取:爬取的只是每一個頁面對應的數據
class SunSpider(CrawlSpider): name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page='] #連接提取器 type=4&page=\d+
    link = LinkExtractor(allow=r'type=4&page=\d+') rules = ( #實例化一個Rule(規則解析器)的對象
        Rule(link, callback='parse_item', follow=True), ) def parse_item(self, response): tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr') for tr in tr_list: title = tr.xpath('./td[2]/a[2]/@title').extract_first() status = tr.xpath('./td[3]/span/text()').extract_first() print(title,status)
View Code

setting.py

BOT_NAME = 'sunPro' SPIDER_MODULES = ['sunPro.spiders'] NEWSPIDER_MODULE = 'sunPro.spiders'

# UA假裝
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False LOG_LEVEL = 'ERROR'
View Code

7.6.2 基於CrawSpider的深度爬取

sun.py

import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from sunPro.items import SunproItem,SunproItem_detail class SunSpider(CrawlSpider): name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page='] #連接提取器
    link = LinkExtractor(allow=r'type=4&page=\d+') #詳情頁url question/201909/426989.shtml
    link_detail = LinkExtractor(allow=r'question/\d+/\d+\.shtml') rules = ( #實例化一個Rule(規則解析器)的對象
        Rule(link, callback='parse_item', follow=True), Rule(link_detail, callback='parse_datail'), ) def parse_item(self, response): tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr') for tr in tr_list: title = tr.xpath('./td[2]/a[2]/@title').extract_first() status = tr.xpath('./td[3]/span/text()').extract_first() num = tr.xpath('./td[1]/text()').extract_first() item = SunproItem() item['title'] = title item['status'] = status item['num'] = num if num: yield item def parse_datail(self,response): content = response.xpath('/html/body/div[9]/table[2]/tbody/tr[1]//text()').extract() content = ''.join(content) num = response.xpath('/html/body/div[9]/table[1]/tbody/tr/td[2]/span[2]/text()').extract_first() if num: num = num.split(':')[-1] item = SunproItem_detail() item['content'] = content item['num'] = num yield item
View Code

pipelines.py

class SunproPipeline(object): def process_item(self, item, spider): if item.__class__.__name__ == "SunproItem_detail": content = item['content'] num = item['num'] print(content,num) else: title = item['title'] status = item['status'] num = item['num'] print(title,status,num)
View Code

items.py

class SunproItem(scrapy.Item): title = scrapy.Field() status = scrapy.Field() num = scrapy.Field() class SunproItem_detail(scrapy.Item): content = scrapy.Field() num = scrapy.Field()
View Code

7.7.分佈式

7.7.1基本概念

  • 什麼是分佈式爬蟲?

    • 基於多臺電腦組建一個分佈式機羣,而後讓機羣中的每一臺電腦執行同一組程序,而後讓它們對同一個網站的數據進行分佈爬取

  • 爲何要用分佈式爬蟲?

    • 提高爬取數據的效率

  • 如何實現分佈式爬蟲?

    • 基於scrapy + redis 的形式實現分佈式

      • scrapy 結合着 scrapy-redis組件實現分佈式

  • 原生的scrapy沒法實現分佈式緣由?

    • 調度器沒法被分佈式羣共享

    • 管道沒法被共享

  • scrapy-redis組件的做用

    • 提供能夠被共享的調度器和管道

  • 環境安裝:

    • pip insatll redis

    • pip install scrapy-redis

7.7.2分佈式流程

#1.建立一個基於CrawSpider的爬蟲文件 : 
 scrapy startproject sunPro cd sunPro scrapy genspider -t crawl spiderName www.xxx.com #2.修改當前的爬蟲文件
    1.導包 : from scrapy_redis.spiders import RedisCrawlSpider 2.將當前爬蟲類的父類修改爲RedisCrawlSpider 3.將start_urls替換成redis_key = 'xxx'  #表示的是可被共享調度器中隊列的名稱
    4.編寫爬蟲類爬取數據的操做 #3.對setting進行操做 
    #指定管道
 開啓可被共享的管道 : ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 400 } #指定可被共享的調度器
    
# 增長了一個去重容器類的配置, 做用使用Redis的set集合來存儲請求的指紋數據, 從而實現請求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis組件本身的調度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置調度器是否要持久化, 也就是當爬蟲結束了, 要不要清空Redis中請求隊列和去重指紋的set。若是是True, 就表示要持久化存儲, 就不清空數據, 不然清空數據
SCHEDULER_PERSIST = True #指定redis服務
        REDIS_HOST = 'redis服務的ip地址' REDIS_PORT = 6379
        
#4.對redis配置文件進行配置 (redis.windows.conf)
    56行 :  #bind 127.0.0.1
    75行 :  protected-mode yes  --> protected-mode no #5.攜帶配置文件啓動redis服務 redis-server .\redis.windows.conf
    地址: E:\飛秋\爬蟲+數據\tools\redis\Redis-x64-3.2.100
#6.啓動redis客戶端 : redis-cli #7.執行當前的工程
 進入到爬蟲文件對應的目錄中:scrapy runspider xxx.py #8.向調度器隊列中仍入一個起始的url:
 隊列在哪裏呢? 答:隊列在redis中 lpush fbsQueue www.xxx.com

  • 代碼

    fbs.py

    import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from scrapy_redis.spiders import RedisCrawlSpider from fbsPro.items import FbsproItem class FbsSpider(RedisCrawlSpider): name = 'fbs'
        # allowed_domains = ['www.xxx.com']
        # start_urls = ['http://www.xxx.com/']
    
        # redis_key表示的是可被共享調度器中隊列的名稱
        redis_key = 'fbsQueue' rules = ( Rule(LinkExtractor(allow=r'type=4&page=\d+'), callback='parse_item', follow=True), ) def parse_item(self, response): tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr') for tr in tr_list: title = tr.xpath('./td[2]/a[2]/@title').extract_first() status = tr.xpath('./td[3]/span/text()').extract_first() item = FbsproItem() item['title'] = title item['status'] = status yield item
    View Code

    items.py

    import scrapy class FbsproItem(scrapy.Item): title = scrapy.Field() status = scrapy.Field()
    View Code

    settings.py

    BOT_NAME = 'fbsPro' SPIDER_MODULES = ['fbsPro.spiders'] NEWSPIDER_MODULE = 'fbsPro.spiders' ROBOTSTXT_OBEY = True #開啓可被共享的管道
    ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 400 } #指定可被共享的調度器 # 增長了一個去重容器類的配置, 做用使用Redis的set集合來存儲請求的指紋數據, 從而實現請求去重的持久化
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    # 使用scrapy-redis組件本身的調度器
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"
    # 配置調度器是否要持久化, 也就是當爬蟲結束了, 要不要清空Redis中請求隊列和去重指紋的set。若是是True, 就表示要持久化存儲, 就不清空數據, 不然清空數據
    SCHEDULER_PERSIST = True #指定redis服務
    REDIS_HOST = '192.168.11.50' REDIS_PORT = 6379
    View Code

7.8 增量式爬蟲

相關文章
相關標籤/搜索