东京热不卡无码视频,欧美黄片视频播放,免费观看视频一区,a黄视频,亚洲精品无码三级,国产大鸡吧在线观看,色亚洲婷婷,操B网站视频

1. scrapy簡介

scrapy是基于事件驅(qū)動的Twisted框架下用純python寫的爬蟲框架。很早之前就開始用scrapy來爬取網(wǎng)絡(luò)上的圖片和文本信息，一直沒有把細(xì)節(jié)記錄下來。這段時間，因為工作需要又重拾scrapy爬蟲，本文和大家分享下，包你一用就會，歡迎交流。

1.1 scrapy框架

scrapy框架包括5個主要的組件和2個中間件Hook。

ENGIINE：整個框架的控制中心，控制整個爬蟲的流程。根據(jù)不同的條件添加不同的事件（就是用的Twisted）
SCHEDULER：事件調(diào)度器
DOWNLOADER：接收爬蟲請求，從網(wǎng)上下載數(shù)據(jù)
SPIDERS：發(fā)起爬蟲請求，并解析DOWNLOADER返回的網(wǎng)頁內(nèi)容，同時和數(shù)據(jù)持久化進(jìn)行交互,需要開發(fā)者編寫
ITEM PIPELINES：接收SPIDERS解析的結(jié)構(gòu)化的字段，進(jìn)行持久化等操作，需要開發(fā)者編寫
MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之間一些額外的操作，hook的方式提供給開發(fā)者

從上可知，我們只要實現(xiàn)SPIDERS（要爬什么網(wǎng)站，怎么解析）和ITEM PIPELINES（如何處理解析后的內(nèi)容）就可以了。其他的都是有框架幫你完成了。（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

1.2 scrapy數(shù)據(jù)流

我們再詳細(xì)看下組件之間的數(shù)據(jù)流，會更清楚框架的內(nèi)部運作。（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

SPIDERS發(fā)爬蟲請求給ENGIINE，告訴它任務(wù)來了

ENGIINE將請求添加到SCHEDULER調(diào)度隊列里, 說任務(wù)就交給你了，給我安排好

SCHEDULER看看手里的爬取請求很多，挑一個給ENGIINE，說大哥幫忙轉(zhuǎn)發(fā)給下載DOWNLOADER

ENGIINE：好的， DOWNLOADER你的任務(wù)來了

DOWNLOADER：開始下載了，下載好了，任務(wù)結(jié)果交給ENGIINE

ENGIINE將結(jié)果給SPIDERS，你的一個請求下載好了，快去解析吧

SPIDERS：好的，解析產(chǎn)生了結(jié)果字段。又給SPIDERS轉(zhuǎn)發(fā)給ITEM PIPELINES

ITEM PIPELINES: 接收到字段內(nèi)容，保存起來。

第1步到第8步，一個請求終于完成了。是不是覺得很多余？ENGIINE夾在中間當(dāng)傳話筒，能不能直接跳過？可以考慮跳過了會怎么樣。

這里分析一下

SCHEDULER的作用：任務(wù)調(diào)度，控制任務(wù)的并發(fā)，防止機(jī)器處理不過來
ENGIINE：就是基于Twisted框架, 當(dāng)事件來（比如轉(zhuǎn)發(fā)請求）的時候，通過回調(diào)的方式來執(zhí)行對應(yīng)的事件。我覺得ENGIINE讓所有操作變的統(tǒng)一，都是按照事件的方式來組織其他組件，其他組件以低耦合的方式運作；對于一種框架來說，無疑是必備的。

2. 基礎(chǔ)：XPath

寫爬蟲最重要的是解析網(wǎng)頁的內(nèi)容，這個部分就介紹下通過XPath來解析網(wǎng)頁，提取內(nèi)容。

2.1 HTML節(jié)點和屬性

（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

2.2 解析語法

a / b：‘/’在 xpath里表示層級關(guān)系，左邊的 a是父節(jié)點，右邊的 b是子節(jié)點
a // b：表示a下所有b，直接或者間接的
[@]：選擇具有某個屬性的節(jié)點

//div[@classs], //a[@x]：選擇具有 class屬性的 div節(jié)點、選擇具有 x屬性的 a節(jié)點
//div[@class="container"]：選擇具有 class屬性的值為 container的 div節(jié)點

//a[contains(@id, "abc")]：選擇 id屬性里有 abc的 a標(biāo)簽

一個例子

response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()
#?獲取所有class屬性（css）為taglist的div，?下一個層ul下的所有l(wèi)i下所有a下所有img標(biāo)簽下data-original屬性

#?data-original這里放的是圖片的url地址

更多詳見

http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths

3. 安裝部署

Scrapy 是用純python編寫的，它依賴于幾個關(guān)鍵的python包（以及其他包）：

lxml 一個高效的XML和HTML解析器
parsel ，一個寫在lxml上面的html/xml數(shù)據(jù)提取庫,
w3lib ，用于處理URL和網(wǎng)頁編碼的多用途幫助程序
twisted 異步網(wǎng)絡(luò)框架
cryptography 和 pyOpenSSL ，處理各種網(wǎng)絡(luò)級安全需求

#?安裝
pip?install?scrapy

4. 創(chuàng)建爬蟲項目

scrapy?startproject?sexy

#?創(chuàng)建一個后的項目目錄
#?sexy
#?│??scrapy.cfg
#?│
#?└─sexy
#?????│??items.py
#?????│??middlewares.py
#?????│??pipelines.py
#?????│??settings.py
#?????│??__init__.py
#?????│
#?????├─spiders
#?????│??│??__init__.py
#?????│??│
#?????│??└─__pycache__
#?????└─__pycache__

#?執(zhí)行?需要到scrapy.cfg同級別的目錄執(zhí)行
scrapy?crawl?sexy

從上可知，我們要寫的是spiders里的具體的spider類和items.py和pipelines.py（對應(yīng)的ITEM PIPELINES）

5. 開始scrapy爬蟲

5.1 簡單而強(qiáng)大的spider

這里實現(xiàn)的功能是從圖片網(wǎng)站中下載圖片，保存在本地， url做了脫敏。需要注意的點在注釋要標(biāo)明

類要繼承 scrapy.Spider
取一個唯一的name
爬取的網(wǎng)站url加到start_urls列表里
重寫parse利用xpath解析reponse的內(nèi)容

可以看到parse實現(xiàn)的時候沒有轉(zhuǎn)發(fā)給ITEM PIPELINES，直接處理了。這樣簡單的可以這么處理，如果業(yè)務(wù)很復(fù)雜，建議交給ITEM PIPELINES。后面會給例子

#?目錄結(jié)果為：spiders/sexy_spider.py
import?scrapy
import?os
import?requests
import?time


def?download_from_url(url):
????response?=?requests.get(url,?stream=True)
????if?response.status_code?==?requests.codes.ok:
????????return?response.content
????else:
????????print('%s-%s'?%?(url,?response.status_code))
????????return?None


class?SexySpider(scrapy.Spider):
???#?如果有多個spider，?name要唯一
????name?=?'sexy'
????allowed_domains?=?['uumdfdfnt.94demo.com']
????allowed_urls?=?['http://uumdfdfnt.94demo.com/']

????#?需要爬取的網(wǎng)站url加到start_urls?list里
????start_urls?=?['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']
????save_path?=?'/home/sexy/dingziku'

????def?parse(self,?response):
????????#?解析網(wǎng)站，獲取圖片列表
????????img_list?=?response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
????????time.sleep(1)

????????#?處理圖片，?具體業(yè)務(wù)操作，?可交給items，?見5.2?items例子
????????for?img_url?in?img_list:
????????????file_name?=?img_url.split('/')[-1]
????????????content?=?download_from_url(img_url)
????????????if?content?is?not?None:
????????????????with?open(os.path.join(self.save_path,?file_name),?'wb')?as?fw:
????????????????????fw.write(content)

????????#?自動下一頁（見5.3?自動下一頁）
????????next_page?=?response.xpath('//div[@class="page?both"]/ul/a[text()="下一頁"]/@href').get()
????????if?next_page?is?not?None:
????????????next_page?=?response.urljoin(next_page)
????????????yield?scrapy.Request(next_page,?callback=self.parse)

5.2 items和pipline例子

這里說明下兩個的作用

items：提供一個字段存儲， spider會將數(shù)據(jù)存在這里
pipline：會從items取數(shù)據(jù)，進(jìn)行業(yè)務(wù)操作，比如5.1中的保存圖片；又比如存儲到數(shù)據(jù)庫中等

我們來改寫下上面的例子

items.py其實就是定義字段scrapy.Field()

import?scrapy
class?SexyItem(scrapy.Item):
????#?define?the?fields?for?your?item?here?like:
????#?name?=?scrapy.Field()
????img_url?=?scrapy.Field()

spiders/sexy_spider.py

import?scrapy
import?os
#?導(dǎo)入item
from?..items?import?SexyItem

class?SexySpider(scrapy.Spider):
???#?如果有多個spider，?name要唯一
????name?=?'sexy'
????allowed_domains?=?['uumdfdfnt.94demo.com']
????allowed_urls?=?['http://uumdfdfnt.94demo.com/']

????#?需要爬取的網(wǎng)站url加到start_urls?list里
????start_urls?=?['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']
????save_path?=?'/home/sexy/dingziku'

????def?parse(self,?response):
????????#?解析網(wǎng)站，獲取圖片列表
????????img_list?=?response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
????????time.sleep(1)

????????#?處理圖片，?具體業(yè)務(wù)操作，?可交給yield?items
????????for?img_url?in?img_list:
????????????items?=?SexyItem()
????????????items['img_url']?=?img_url
????????????yield?items

pipelines.py

import?os
import?requests


def?download_from_url(url):
????response?=?requests.get(url,?stream=True)
????if?response.status_code?==?requests.codes.ok:
????????return?response.content
????else:
????????print('%s-%s'?%?(url,?response.status_code))
????????return?None


class?SexyPipeline(object):

????def?__init__(self):
????????self.save_path?=?'/tmp'

????def?process_item(self,?item,?spider):
????????if?spider.name?==?'sexy':
????????????#?取出item里內(nèi)容
????????????img_url?=?item['img_url']
????????????
????????????#?業(yè)務(wù)處理
????????????file_name?=?img_url.split('/')[-1]
????????????content?=?download_from_url(img_url)
????????????if?content?is?not?None:
????????????????with?open(os.path.join(self.save_path,?file_name),?'wb')?as?fw:
????????????????????fw.write(content)
????????return?item

重要的配置要開啟在settings.py中開啟piplines類，數(shù)值表示優(yōu)先級

ITEM_PIPELINES?=?{
???'sexy.pipelines.SexyPipeline':?300,
}

5.3 自動下一頁

有時候我們不僅要爬取請求頁面中的內(nèi)容，還要遞歸式的爬取里面的超鏈接url，特別是下一頁這種，解析內(nèi)容和當(dāng)前頁面相同的情況下。一種笨方法是手動加到start_urls里。大家都是聰明人來試試這個。

先在頁面解析下下一頁的url
scrapy.Request(next_page, callback=self.parse) 發(fā)起一個請求，并調(diào)用parse來解析，當(dāng)然你可以用其他的解析

完美了，完整例子見5.1

next_page?=?response.xpath('//div[@class="page?both"]/ul/a[text()="下一頁"]/@href').get()
if?next_page?is?not?None:
???next_page?=?response.urljoin(next_page)
???yield?scrapy.Request(next_page,?callback=self.parse)

5.4 中間件

下載中間件中間件的作用是提供一些常用的鉤子Hook來增加額外的操作。中間件的操作是在middlewares.py。可以看到主要是處理請求process_request，響應(yīng)process_response和異常process_exception三個鉤子函數(shù)。
處理請求process_request: 傳給DOWNLOADER之前做的操作
響應(yīng)process_response：DOWNLOADER給ENGIINE響應(yīng)之前的操作

這里舉一個添加模擬瀏覽器請求的方式，防止爬蟲被封鎖。重寫process_request

from?scrapy.contrib.downloadermiddleware.useragent?import?UserAgentMiddleware
import?random
agents?=?['Mozilla/5.0?(compatible;?MSIE?9.0;?Windows?NT?6.1;?Trident/5.0;',
??????????????'Mozilla/5.0?(Macintosh;?Intel?Mac?OS?X?10.6;?rv,2.0.1)?Gecko/20100101?Firefox/4.0.1',
??????????????'Opera/9.80?(Macintosh;?Intel?Mac?OS?X?10.6.8;?U;?en)?Presto/2.8.131?Version/11.11',
??????????????'Mozilla/5.0?(Macintosh;?Intel?Mac?OS?X?10_7_0)?AppleWebKit/535.11?(KHTML,?like?Gecko)?Chrome/17.0.963.56?Safari/535.11',
??????????????'Mozilla/4.0?(compatible;?MSIE?7.0;?Windows?NT?5.1;?360SE)']

class?RandomUserAgent(UserAgentMiddleware):
????def?process_request(self,?request,?spider):
????????ua?=?random.choice(agents)
????????request.headers.setdefault('User-agent',ua,)

統(tǒng)一要在settings.py中開啟下載中間件，數(shù)值表示優(yōu)先級

DOWNLOADER_MIDDLEWARES?=?{
????'sexy.middlewares.customUserAgent.RandomUserAgent':?20,
}

5.5 可用配置`settings.py`

除了上面提供的pipline配置開啟和中間件配置外，下面介紹幾個常用的配置

爬蟲機(jī)器人規(guī)則：ROBOTSTXT_OBEY = False，如果要爬取的網(wǎng)站有設(shè)置robots.txt，最好設(shè)置為False
CONCURRENT_REQUESTS：并發(fā)請求
DOWNLOAD_DELAY：下載延遲，可以適當(dāng)配置，避免把網(wǎng)站也爬掛了。

所有的配置詳見 https://doc.scrapy.org/en/latest/topics/settings.html