python Scrapy爬蟲框架的使用
導讀：如何使用scrapy框架實現爬蟲的4步曲？什么是CrawSpider模板？如何設置下載中間件？如何實現Scrapyd遠程部署和監控？想要了解更多，下面讓我們來看一下如何具體實現吧！
Scrapy安裝（mac）pip install scrapy
注意：不要使用commandlinetools自帶的python進行安裝，不然可能報架構錯誤；用brew下載的python進行安裝。
Scrapy實現爬蟲新建爬蟲scrapy startproject demoSpider，demoSpider為項目名。
確定目標編寫items.py，如添加目標字段：person = scrapy.Field()
制作爬蟲scrapy genspider demo 'baidu.com'，創建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），根據頁面結構提取所需數據，一般用xpath表達式，如：
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
保存數據：scrapy crawl demo -o demo.json（以下格式都行：jsonl，jsonl，csv，xml）
注：該過程在取值中經常需要頁面調試，使用scrapy shell（最好先安裝ipython，有語法提示），調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]處理內容
pipline常用來存儲內容，pipline.py中必須實現process_item()方法，該方法必須返回Item對象，如：
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：
ITEM_PIPELINES = { 'demoSpider.pipelines.DemoJsonPipeline':300}
重新啟動爬蟲：scrapy crawl demo，看看當前目錄是否生成demo.json
CrawlSpidersCrawlSpider是spider的派生類，為了從爬取的網頁中獲取link并繼續爬取。
快速創建 CrawlSpider模板：scrapy genspider -t crawl baidu baidu.com
Rule類制定了爬取規則；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方法進行分析;并跟進鏈接(沒有callback意味著follow默認為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 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) returnDownloader Middlewares防止爬蟲被反策略
設置隨機User-Agent
禁用Cookies，可以通過COOKIES_ENABLED 控制 CookiesMiddleware 開啟或關閉
設置延遲下載降低頻率
使用谷歌/百度等搜索引擎服務器頁面緩存獲取頁面數據
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發出的
設置下載中間件——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,}
當請求通過下載中間件時，process_request方法被調用；當下載中間件完成請求后傳遞響應給引擎時process_response方法被調用。
在settings.py同級目錄下創建middlewares.py文件，如：
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信息，
修改settings.py配置USER_AGENTS和PROXIES免費代理IP上網搜，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cookiesCOOKIES_ENABLED = False# 設置下載延遲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 - 爬蟲的遠程部署和監控安裝Scrapyd
sudo pip install scrapydsudo pip install scrapyd-client修改scrapyd的配置文件
啟用scrapyd配置，在deploy后面指定當前項目的Scrapyd配置名，配置Scrapyd服務的ip和port，以及當前項目的項目名，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Scrapyd服務部署，則使用localhost即可否則使用服務主機的ipurl = http://localhost:6800/ # 需要部署和監控的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，參數是 Scrapyd配置名，以及 -p 指定項目名
遠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內容，更多關于python Scrapy爬蟲框架的資料請關注好吧啦網其它相關文章！
相關文章：
網公網安備