Scrapy爬蟲框架的使用

2021 年 1 月 17 日
筆記
爬蟲

　　導讀：如何使用scrapy框架實現爬蟲的4步曲？什麼是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，如添加目標欄位：person = scrapy.Field()

製作爬蟲

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：//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

有了保存的頁面後（可注釋掉或刪掉保存頁面的程式碼），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）

註：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），調試好了再放到程式碼里，如：

scrapy shell "//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 json

class 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

CrawlSpiders

CrawlSpider是spider的派生類，為了從爬取的網頁中獲取link並繼續爬取。

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 "//teark.com/article.php?&start=0#a"

from scrapy.linkextractors import LinkExtractor

# 注意轉義字元&
page_lx = LinkExtractor(allow=('comment.php?\&start=\d+'))
page_lx.extract_links(response)

測試完後就知道了allow和rules了，修改spider程式碼：

#提取匹配 '//teark.com/article.php?&start=\d+'的鏈接
page_lx = LinkExtractor(allow = ('start=\d+'))

rules = [
    #提取匹配,並使用spider的parse方法進行分析;並跟進鏈接(沒有callback意味著follow默認為True)
    Rule(page_lx, callback = 'parseContent', follow = True)
]

註：callback 千萬不能寫 ‘parse’

Logging

添加日誌功能：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 = '//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 scrapy

class LoginSpider(scrapy.Spider):
    name = 'demo.com'
    start_urls = ['//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)
            return

Downloader 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Google/百度等搜索引擎伺服器頁面快取獲取頁面數據

使用IP地址池——VPN和代理IP

使用cralera（專用於爬蟲的代理組件），配置中間件後請求都是通過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後傳遞響應給引擎時process_response方法被調用。

在settings.py同級目錄下創建middlewares.py文件，如：

import random
import base64
from settings import USER_AGENTS
from settings import PROXIES


class 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'] = "//" + proxy['ip_port']
        else:
            base64_userpasswd = base64.b64encode(proxy['user_passwd'])
            request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd
            request.meta['proxy'] = "//" + proxy['ip_port']

與代理伺服器連接需要使用base64編碼，如果有需要身份驗證的話還需要加上授權資訊，

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cookies
COOKIES_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 scrapyd
sudo pip install scrapyd-client

修改scrapyd的配置文件

啟用scrapyd配置，在deploy後面指定當前項目的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ip
url = //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 //localhost:6800/schedule.json -d project=Demo -d spider=demo

停止：curl //localhost:6800/cancel.json -d project=Demo -d job=iundsw….

註：爬蟲啟動成功後，會生成job值，停止爬蟲時需要通過job值停止。

Tags: 爬蟲