当前位置 博文首页 > python Scrapy爬虫框架的使用
导读：如何使用scrapy框架实现爬虫的4步曲？什么是CrawSpider模板？如何设置下载中间件？如何实现Scrapyd远程部署和监控？想要了解更多，下面让我们来看一下如何具体实现吧！
pip install scrapy
注意：不要使用commandlinetools自带的python进行安装，不然可能报架构错误；用brew下载的python进行安装。
scrapy startproject demoSpider，demoSpider为项目名。
编写items.py，如添加目标字段：person = scrapy.Field()
scrapy genspider demo "baidu.com"，创建demo爬虫文件，指定爬取域。
修改demo.py里的start_urls的地址为自己想爬取的地址如：https://www.cnblogs.com/teark/
随意修改parse()方法，如保存所爬取的页面，可以这样：
def parse(self, response):
with open("teark.html", "w") as f:
f.write(response.text)
运行爬虫，看看效果：scrapy crawl demo
有了保存的页面后（可注释掉或删掉保存页面的代码），根据页面结构提取所需数据，一般用xpath表达式，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
保存数据：scrapy crawl demo -o demo.json（以下格式都行：jsonl，jsonl，csv，xml）
注：该过程在取值中经常需要页面调试，使用scrapy shell（最好先安装ipython，有语法提示），调试好了再放到代码里，如：
scrapy shell "https://www.cnblogs.com/teark/"
response.xpath('//*[@class="even"]')
print site[0].xpath('./td[2]/text()').extract()[0]
pipline常用来存储内容，pipline.py中必须实现process_item()方法，该方法必须返回Item对象，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
}
重新启动爬虫：scrapy crawl demo，看看当前目录是否生成demo.json
CrawlSpider是spider的派生类，为了从爬取的网页中获取link并继续爬取。
快速创建 CrawlSpider模板：scrapy genspider -t crawl baidu baidu.com
Rule类制定了爬取规则；LinkExtractors类为了提取链接，如：
scrapy shell "http://teark.com/article.php?&start=0#a"
from scrapy.linkextractors import LinkExtractor
# 注意转义字符&
page_lx = LinkExtractor(allow=('comment.php?\&start=\d+'))
page_lx.extract_links(response)
测试完后就知道了allow和rules了，修改spider代码：
#提取匹配 'http://teark.com/article.php?&start=\d+'的链接
page_lx = LinkExtractor(allow = ('start=\d+'))
rules = [
#提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True)
Rule(page_lx, callback = 'parseContent', follow = True)
]
注：callback 千万不能写 'parse'
添加日志功能：settings.py中添加如下：
LOG_FILE = "DemoSpider.log" # 还有CRITICAL, ERROR, WARNING DEBUG等级别 LOG_LEVEL = "INFO"
该方法用来发送POST请求，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
)
模拟登陆：
import scrapy
class 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):
# 检查登陆成功还是失败
if "authentication failed" in response.body:
self.log("Login failed", level=log.ERROR)
return
设置随机User-Agent
禁用Cookies，可以通过COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭
设置延迟下载降低频率
使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据
使用IP地址池——VPN和代理IP
使用cralera（专用于爬虫的代理组件），配置中间件后请求都是通过crawlera发出的
键为中间件类的路径，值为其中间件的顺序(order)
DOWNLOADER_MIDDLEWARES = {
'mySpider.middlewares.MyDownloaderMiddleware': 543,
}
当请求通过下载中间件时，process_request方法被调用；当下载中间件完成请求后传递响应给引擎时process_response方法被调用。
在settings.py同级目录下创建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'] = "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']
与代理服务器连接需要使用base64编码，如果有需要身份验证的话还需要加上授权信息，
免费代理IP上网搜，或购买可用的私密代理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
# 设置下载延迟
DOWNLOAD_DELAY = 3
# 添加自己编写的下载中间件
DOWNLOADER_MIDDLEWARES = {
#'mySpider.middlewares.MyCustomDownloaderMiddleware': 543,
'mySpider.middlewares.RandomUserAgent': 1,
'mySpider.middlewares.ProxyMiddleware': 100
}
sudo pip install scrapyd sudo pip install scrapyd-client
启用scrapyd配置，在deploy后面指定当前项目的Scrapyd配置名，配置Scrapyd服务的ip和port，以及当前项目的项目名，如：
sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf
# scrapy项目的settings文件位置，不用改动 [settings] default = Demo.settings # Scrapyd_Tencent是配置名 [deploy:Scrapyd_Demo] # 若是本机Scrapyd服务部署，则使用localhost即可否则使用服务主机的ip url = http://localhost:6800/ # 需要部署和监控的Scrapy项目名 project = Demo
指令：scrapyd-deploy Scrapyd_Demo -p Demo
scrapyd-deploy 是客户端命令，参数是 Scrapyd配置名，以及 -p 指定项目名
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：爬虫启动成功后，会生成job值，停止爬虫时需要通过job值停止。
js