当前位置: 首页 > article >正文

手把手教你利用 Scrapy 编写一个完整的爬虫

提到爬虫框架,这里不得不提 Scrapy,它是一款非常强大的分布式异步爬虫框架,更加适用于企业级的爬虫!

项目地址:

https://github.com/scrapy/scrapy

本篇文章将借助一个简单实例来聊聊使用 Scrapy 编写爬虫的完整流程

  1. 实战
    目标对象:

aHR0cHMlM0EvL2dvLmNxbW1nby5jb20vZm9ydW0tMjMzLTEuaHRtbA==

我们需要爬取目标网站下帖子的基本信息

2-1 安装依赖

安装依赖

pip3 install Scrapy

Mysql

pip3 install mysqlclient
2-2 创建项目及爬虫

分析目前地址,获取网站 HOST 及爬取地址,在某个文件夹下利用命令创建一个爬虫项目及一个爬虫

创建一个爬虫项目

scrapy startproject cqmmgo

打开文件夹

cd cqmmgo

创建一个爬虫

scrapy genspider talk 网站HOST
2-3 定义 Item 实体对象

在 items.py 文件中,将需要爬取的数据定义为 Item

比如,这里就需要爬取帖子标题、作者、阅读数、评论数、贴子 URL、发布时间

items.py

import scrapy

杂谈

class CqTalkItem(scrapy.Item):
# 标题
title = scrapy.Field()

# 作者
author = scrapy.Field()# 查看次数
watch_num = scrapy.Field()# 评论次数
comment_num = scrapy.Field()# 地址
address_url = scrapy.Field()# 发布时间
create_time = scrapy.Field()

2-4 编写爬虫

在 spiders 文件夹下的爬虫文件中编写具体的爬虫逻辑

通过分析发现,帖子数据是通过模板直接渲染,非动态加载,因此我们直接对 response 进行数据解析

PS:解析方式这里推荐使用 Xpath

解析完成的数据组成上面定义的 Item 实体添加到生成器中

spiders/talk.py

import scrapy
from cqmmgo.items import CqTalkItem
from cqmmgo.settings import talk_hour_before
from cqmmgo.utils import calc_interval_hour

class TalkSpider(scrapy.Spider):
name = ‘talk’
allowed_domains = [‘HOST’]

# 第1-5页数据
start_urls = ['https://HOST/forum-233-{}.html'.format(i + 1) for i in range(5)]def parse(self, response):# 直接Xpath解析elements = response.xpath('//div[contains(@class,"list-data-item")]')for element in elements:item = CqTalkItem()# title = element.xpath('.//span[@class="has-businessTag"]/text()').extract_first()# title = element.xpath('.//span[@class="has-businessTag"]/text()').extract()# title = element.xpath('.//*[@class="subject"]/a').extract_first()title = element.xpath('.//*[@class="subject"]/a/@title').extract_first()author = element.xpath(".//span[@itemprop='帖子作者']/text()").extract_first()watch_num = element.xpath(".//span[@class='num-read']/text()").extract_first()comment_num = element.xpath(".//span[@itemprop='回复数']/text()").extract_first()address_url = "https:" + element.xpath('.//*[@class="subject"]/a/@href').extract_first()create_time = element.xpath('.//span[@class="author-time"]/text()').extract_first().strip()# 过滤超过设定小时之前的数据if calc_interval_hour(create_time) > talk_hour_before:continueprint(f"标题:{title},作者:{author},观看:{watch_num},评论:{comment_num},地址:{address_url},发布时间:{create_time}")item['title'] = titleitem['author'] = authoritem['watch_num'] = watch_numitem['comment_num'] = comment_numitem['address_url'] = address_urlitem['create_time'] = create_timeyield item

2-5 自定义随机 UA 下载中间件

在 middlewares.py 文件中自定义随机 User Agent 下载中间件

middlewares.py

import random # 导入随机模块

class RandomUADownloaderMiddleware(object):
def process_request(self, request, spider):
# UA列表
USER_AGENT_LIST = [
‘Opera/9.20 (Macintosh; Intel Mac OS X; U; en)’,
‘Opera/9.0 (Macintosh; PPC Mac OS X; U; en)’,
‘iTunes/9.0.3 (Macintosh; U; Intel Mac OS X 10_6_2; en-ca)’,
‘Mozilla/4.76 [en_jp] (X11; U; SunOS 5.8 sun4u)’,
‘iTunes/4.2 (Macintosh; U; PPC Mac OS X 10.2)’,
‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.8; rv:16.0) Gecko/20120813 Firefox/16.0’,
‘Mozilla/4.77 [en] (X11; I; IRIX;64 6.5 IP30)’,
‘Mozilla/4.8 [en] (X11; U; SunOS; 5.7 sun4u)’
]

    # 随机生成一个UAagent = random.choice(USER_AGENT_LIST)# 设置到请求头中request.headers['User_Agent'] = agent

2-6 自定义下载管道 Pipline

在 piplines.py 文件中,自定义两个下载管道,分别将数据写入到本地 CSV 文件和 Mysql 数据中

PS:为了演示方便,这里仅展示同步写入 Mysql 数据库的方式

piplines.py

from scrapy.exporters import CsvItemExporter
from cqmmgo.items import CqTalkItem
import MySQLdb # 导入数据库模块

class TalkPipeline(object):
“”“杂谈”“”

def __init__(self):self.file = open("./result/talk.csv", 'wb')self.exporter = CsvItemExporter(self.file, fields_to_export=['title', 'author', 'watch_num', 'comment_num', 'create_time', 'address_url'])self.exporter.start_exporting()def process_item(self, item, spider):if isinstance(item, CqTalkItem):self.exporter.export_item(item)return item# 关闭资源
def close_spider(self, spider):self.exporter.finish_exporting()self.file.close()

数据存入到数据库(同步)

class MysqlPipeline(object):
def init(self):
# 链接mysql数据库
self.conn = MySQLdb.connect(“host”, “root”, “pwd”, “cq”, charset=“utf8”, use_unicode=True)
self.cursor = self.conn.cursor()

def process_item(self, item, spider):table_name = 'talk'# sql语句insert_sql = """insert into  {}(title,author,watch_num,comment_num,address_url,create_time,insert_time) values(%s,%s,%s,%s,%s,%s,%s)  """.format(table_name)# 从item获得数据,保存为元祖,插入数据库params = list()params.append(item.get("title", ""))params.append(item.get("author", ""))params.append(item.get("watch_num", 0))params.append(item.get("comment_num", 0))params.append(item.get("address_url", ""))params.append(item.get("create_time", ""))params.append(current_date())# 执行插入数据到数据库操作self.cursor.execute(insert_sql, tuple(params))# 提交,保存到数据库self.conn.commit()return itemdef close_spider(self, spider):"""释放数据库资源"""self.cursor.close()self.conn.close()

当然,这里也可以定义一个数据去重的数据管道,通过帖子标题,对重复的数据不进行处理即可

piplines.py

from scrapy.exceptions import DropItem

class DuplicatesPipeline(object):
“”"
Pipline去重
“”"

def __init__(self):self.talk_set = set()def process_item(self, item, spider):name = item['title']if name in self.talk_set:raise DropItem("重复数据,抛弃:%s" % item)self.talk_set.add(name)return item

2-7 配置爬虫配置文件

打开 settings.py 文件,对下载延迟时间、默认请求头、下载中间件、数据管道进行编辑

settings.py

Obey robots.txt rules

ROBOTSTXT_OBEY = False

DOWNLOAD_DELAY = 3

Override the default request headers:

DEFAULT_REQUEST_HEADERS = {
‘Accept’: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3;q=0.9’,
‘Accept-Language’: ‘zh-CN,zh;q=0.9’,
‘Host’: ‘HOST’,
‘Referer’: ‘https://HOST/forum-233-1.html’,
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36’,
}

DOWNLOADER_MIDDLEWARES = {
‘cqmmgo.middlewares.RandomUADownloaderMiddleware’: 543,
‘scrapy.downloadermiddlewares.useragent.UserAgentMiddleware’: None,
}

ITEM_PIPELINES = {
‘cqmmgo.pipelines.TalkPipeline’: 1,
‘cqmmgo.pipelines.MysqlPipeline’: 6,
‘cqmmgo.pipelines.DuplicatesPipeline’: 200,
‘cqmmgo.pipelines.CqmmgoPipeline’: 300,
}

爬取时间限制

talk_hour_before = 24
2-8 爬虫主入口

在爬虫项目根目录下创建一个文件,通过下面的方式运行单个爬虫

main.py

from scrapy.cmdline import execute
import sys, os

def start():
sys.path.append(os.path.dirname(file))
# 运行单个爬虫
execute([“scrapy”, “crawl”, “talk”])

if name == ‘main’:
start()
2. 最后
如果 Scrapy 项目中包含多个爬虫,我们可以利用 CrawlerProcess 类并发执行多个爬虫

main.py

from scrapy.utils.project import get_project_settings
from scrapy.crawler import CrawlerProcess

同时运行项目下的多个爬虫

def start():
setting = get_project_settings()
process = CrawlerProcess(setting)

# 不运行的爬虫
spider_besides = ['other']# 所有爬虫
for spider_name in process.spiders.list():if spider_name in spider_besides:continueprint("现在执行爬虫:%s" % (spider_name))process.crawl(spider_name)
process.start()

if name == ‘main’:
start()

http://www.lryc.cn/news/2415125.html

相关文章:

  • 性能揭秘:电脑跑分测试你的实力
  • Linear()参数以及用法
  • yml配置文件的编写
  • 什么是RISC-V
  • 在线拼图照片制作怎么开始?6步打造精美图片集
  • mybatis-plus中wrapper的用法(详细)
  • VPC 是什么
  • 软件测试用例经典方法 | 逻辑覆盖测试法及案例
  • Excel的VLOOKUP函数及其用法
  • suse linux 远程桌面,Xmanager 远程连接CentOS linux和SUSE linux
  • 前端学习究竟该学什么?要学哪些东西?(以Vue为例)
  • OpenGL 入门 6:GLM
  • 详细解释sprintf 函数(转)
  • 网络性能测试工具-Iperf
  • [前后端]JSP入门
  • 元素定位之XPath定位-学习
  • 【Nessus安装、使用】
  • Linux命令 | 常用命令之 find
  • 字符串函数---strstr()、memchr()、strchr()详解及实现
  • 【数据结构】树(一)—— 树的基础知识(C语言版)
  • CDSN文章转载方法
  • Git从入门到熟练第十讲 cloning
  • Mac安装brew,支持m芯片,5分钟安装成功亲测有效
  • 浅谈网络共享之samba服务
  • CSS预处理语言~~Less安装与使用
  • Java的byte类型详解
  • ICMP协议与ARP协议
  • unity基础(2)——3D对象基础概念与简单操作
  • 发现数学之美--微积分的起源和用途(一文搞懂微积分)
  • QEMU简介