第七章 移动端数据的爬取
-
基于某一款抓包工具 : fiddler ,青花瓷 ,miteproxy
7.1 fiddler 基本配置
7.1.1fiddler简介和安装
-
什么是Fiddler?
-
Fiddler是位于客户端和服务器端的HTTP代理，也是目前最常用的http抓包工具之一 。 它能够记录客户端和服务器之间的所有 HTTP请求，可以针对特定的HTTP请求，分析请求数据、设置断点、调试web应用、修改请求的数据，甚至可以修改服务器返回的数据，功能非常强大，是web调试的利器。
-
-
Fiddler安装
-
Fiddler下载地址：https://www.telerik.com/fiddler
-
傻瓜式安装，一键到底。Fiddler软件界面如图所示：
-
7.1.2手机APP抓包设置
-
Fiddler设置打开Fiddler软件，打开工具的设置。(Fiddler软件菜单栏：Tools->Options)在HTTPS中设置如下：
-
在Connections中设置如下
-
这里使用默认8888端口，当然也可以自己更改，但是注意不要与已经使用的端口冲突：Allow remote computers to connect:允许别的机器把请求发送到fiddler上来
-
-
安全证书下载
-
在电脑浏览器中输入地址：http://localhost:8888/，点击FiddlerRoot certificate，下载安全证书：
-
-
安全证书安装
-
证书是需要在手机上进行安装的，这样在电脑Fiddler软件抓包的时候，手机使用电脑的网卡上网才不会报错。
-
-
Android手机安装：
-
把证书放入手机的内置或外置存储卡上，然后通过手机的"系统安全-》从存储设备安装"菜单安装证书。然后找到拷贝的
FiddlerRoot.cer进行安装即可。安装好之后，可以在信任的凭证中找到我们已经安装好的安全证书。
-
-
苹果手机安装：
-
保证手机网络和fiddler所在机器网络是同一个网段下的在safari中访问http://fiddle机器ip：fiddler端口，进行证书下载。然后进行安装证书操作。在手机中的设置-》通用-》关于本机-》证书信任设置-》开启fiddler证书信任
-
-
局域网设置 想要使用Fiddler进行手机抓包，首先要确保手机和电脑的网络在一个内网中，可以使用让电脑和手机都连接同一个路由器。当然，也可以让电脑开放WIFI热点，手机连入。这里，我使用的方法是，让手机和电脑同时连入一个路由器中。最后，让手机使用电脑的代理IP进行上网。 在手机上，点击连接的WIFI进行网络修改，添加代理。进行手动设置，ip和端口号都是fiddler机器的ip和fiddler上设置的端口号。
-
Fiddler手机抓包测试
-
上述步骤都设置完成之后，用手机浏览器打开百度首页，我们就可以顺利抓包了
-
7.1.3移动端数据的捕获流程
-
tools --> options --> connection -->allow remote
-
http: fiddler所在pc机的ip :8888/ 访问到一张提供了证书下载功能的界面
-
fiddler所在机器和手机在同一网段下 :在手机上浏览器中访问 http: fiddler所在pc机的ip :8888 获取子页面进行证书的下载和安装(证书信任的操作)
-
配置你手机的代理 :将手机的代理配置成 fiddler所对应的pc机的ip和手机自己的端口
-
就可以让fiddler捕获手机发起的http和https的请求
7.2 scrapy ,pyspider
#总结:
#爬虫文件中的属性和方法
name :爬虫文件唯一标识
start_url:该列表中的url会被自动的进行请求发送
#自动请求发送的过程:
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url,callback=self.parse)
#数据解析:
scrapy中封装的xpath进行数据解析
#scrapy中的xpath 和 etree中的xpath的区别
scrapy的xpath进行数据解析后返回的列表元素为Selector对象,extract或extract_first这两个方法将Selector对象中对应的数据取出
7.2.1Scrapy简介
-
什么是框架?如何学习
-
框架就是一个集成各种功能且具有很强通用性(可以被应用在各种不同的需求中)的一个项目模板
-
我们只需要学习框架中封装好的相关功能即可
-
-
scrapy 集成的功能
-
高性能的数据解析操作 ,持久化存储,高性能的数据下载操作......
-
-
环境的安装(windows)
-
pip install wheel
-
下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
-
进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
-
pip3 install pywin32
-
pip3 install scrapy
-
7.2.2 scrapy的基本使用
-
创建一个工程 :scrapy startproject firstBlood
-
项目结构：
project_name/
scrapy.cfg： #项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
project_name/
__init__.py
items.py #设置数据存储模板，用于结构化数据，如：Django的Model
pipelines.py #数据持久化处理
settings.py #配置文件，如：递归的层数、并发数，延迟下载等
spiders/ #爬虫目录，如：创建文件，编写爬虫解析规则
__init__.py
-
-
创建爬虫应用程序：(必须在spider这个目录下创建一个爬虫文件)
-
cd proName
-
scrapy genspider spiderName www.xx.com
-
-
编写爬虫文件:在步骤2执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件
import scrapy class FirstSpider(scrapy.Spider): #爬虫文件的名称:爬虫文件的唯一标识(在spiders子目录下是可以创建多个爬虫文件) name = 'first' #允许的域名 # allowed_domains = ['www.baidu.com'] #起始的url列表:列表中存放的url会被scrapy自动的进行请求发送 start_urls = ['https://www.baidu.com/','https://www.sogou.com/'] #用作于数据解析:将start_urls列表中对应的url请求成功后的响应数据进行解析 def parse(self, response): print(response.text) #获取字符串类型的响应内容 print(response.body)#获取字节类型的相应内容 -
设置修改settings.py配置文件相关配置
# settings.py 文件中 #不遵从robots协议 #进行UA伪装 #进行日志等级设定: LOG_LEVEL = Falsesetting.py中 ----- 基于终端指令的持久化存储操作
BOT_NAME = 'firstBlood' SPIDER_MODULES = ['firstBlood.spiders'] NEWSPIDER_MODULE = 'firstBlood.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' #进行ua伪装 # Obey robots.txt rules ROBOTSTXT_OBEY = False #不遵从robotstx协议 LOG_LEVEL = 'ERROR' #输出错误类型的日志
setting.py ------------- 基于管道的持久化存储
BOT_NAME = 'qiubaiPro' USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' SPIDER_MODULES = ['qiubaiPro.spiders'] NEWSPIDER_MODULE = 'qiubaiPro.spiders' ITEM_PIPELINES = { 'qiubaiPro.pipelines.QiubaiproPipeline': 300, #300表示的是优先级(数值越小优先级越大) } -
执行爬虫程序：scripy crawl spiderName
-
不输出日志(错误信息会在日志中输出,不要使用) scripy crawl spiderName --nolog
-
7.2.3scrapy框架持久化存储
#持久化存储
#基于终端指令
特性 : 只能将 parse 方法的返回值存储到本地的磁盘文件中
指令 : scripy crawl spiderName -o filepath
#基于管道
#实现流程
1.数据解析
2.在item类中定义相关属性
3.将解析的数据封装到一个 item 对象中(item文件中对应类的对象)
4.向管道提交item
5.在管道文件中的 process_item 方法中接收 item 进行持久化存储
6.在配置文件中开启管道
#管道中需注意细节:
1.配置文件中开启的管道是一个字典,字典中的键值表示的就是某一个管道
2.在管道对应的源文件中其实可以定义多个管道类,一种形式的持久化存储
3.在process_item方法中的 return item 表示的是提交给下一个即将被执行的管道类
4.爬虫文件中yield item 只可以将item传递给第一个被执行的(优先级最高的)管道
#将同一份数据持久化存储到不同平台中:
#分析
1.管道文件中的一个管道内负责数据的一种形式的持久化存储
setting.py中 ----- 基于终端指令的持久化存储操作
BOT_NAME = 'firstBlood' SPIDER_MODULES = ['firstBlood.spiders'] NEWSPIDER_MODULE = 'firstBlood.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' #进行ua伪装 # Obey robots.txt rules ROBOTSTXT_OBEY = False #不遵从robotstx协议 LOG_LEVEL = 'ERROR' #输出错误类型的日志
setting.py ------------- 基于管道的持久化存储
BOT_NAME = 'qiubaiPro'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
SPIDER_MODULES = ['qiubaiPro.spiders']
NEWSPIDER_MODULE = 'qiubaiPro.spiders'
ITEM_PIPELINES = {
'qiubaiPro.pipelines.QiubaiproPipeline': 300, #300表示的是优先级(数值越小优先级越大)
}
糗事百科
qiubai.py
import scrapy
from qiubaiPro.items import QiubaiproItem
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
# allowed_domains = ['www.xxx.com']
start_urls = ['https://www.qiushibaike.com/text/']
#基于终端指令的持久化存储操作
# def parse(self, response):
# div_list = response.xpath('//*[@id="content-left"]/div')
# all_data = []
# for div in div_list:
# #scrapy中的xpath返回的列表的列表元素一定是Selector对象,我们最终想要的解析的
# #数据一定是存储在该对象中
# #extract()将Selector对象中data参数的值取出
# # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
# author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
# #列表直接调用extract表示的是将extract作用到每一个列表元素中
# content = div.xpath('./a[1]/div/span//text()').extract()
# content = ''.join(content)
# dic = {
# 'author':author,
# 'content':content
# }
# all_data.append(dic)
# return all_data
#基于管道的持久化存储
def parse(self, response):
div_list = response.xpath('//*[@id="content-left"]/div')
all_data = []
for div in div_list:
#scrapy中的xpath返回的列表的列表元素一定是Selector对象,我们最终想要的解析的
#数据一定是存储在该对象中
#extract()将Selector对象中data参数的值取出
# author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
#列表直接调用extract表示的是将extract作用到每一个列表元素中
content = div.xpath('./a[1]/div/span//text()').extract()
content = ''.join(content)
#将解析的数据存储到item对象
item = QiubaiproItem()
item['author'] = author
item['content'] = content
#将item提交给管道
yield item #item一定是提交给了优先级最高的管道类
itims.py
import scrapy
class QiubaiproItem(scrapy.Item):
# define the fields for your item here like:
author = scrapy.Field() #Field可以将其理解成是一个万能的数据类型
content = scrapy.Field()
pipelines.py 管道文件
import pymysql
from redis import Redis
class QiubaiproPipeline(object):
fp = None
def open_spider(self,spider):
print('开始爬虫......')
self.fp = open('qiushibaike.txt','w',encoding='utf-8')
#使用来接收爬虫文件提交过来的item,然后将其进行任意形式的持久化存储
#参数item:就是接收到的item对象
#该方法每接收一个item就会调用一次
def process_item(self, item, spider):
author = item['author']
content= item['content']
self.fp.write(author+':'+content+'\n')
return item #item是返回给了下一个即将被执行的管道类
def close_spider(self,spider):
print('结束爬虫!')
self.fp.close()
#负责将数据存储到mysql
class MysqlPL(object):
conn = None
cursor = None
def open_spider(self,spider):
self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='123',db='spider',charset='utf8')
print(self.conn)
def process_item(self,item,spider):
author = item['author']
content = item['content']
sql = 'insert into qiubai values ("%s","%s")'%(author,content)
self.cursor = self.conn.cursor()
try:
self.cursor.execute(sql)
self.conn.commit()
except Exception as e:
print(e)
self.conn.rollback()
return item
def close_spider(self,spider):
self.cursor.close()
self.conn.close()
#基于redis的管道存储
class RedisPL(object):
conn = None
def open_spider(self,spider):
self.conn = Redis(host='127.0.0.1',port=6379)
print(self.conn)
def process_item(self,item,spider):
self.conn.lpush('all_data',item) # name value
#注意:如果将字典写入redis报错:pip install -U redis==2.10.6
7.2.4scrapy框架之递归解析和post请求
递归解析(手动请求发送)
-
使用场景 :爬取多个页码对应的页面源码数据
-
yield scrapy.Request(url,callback)
import scrapy
from qiubaiPro.items import QiubaiproItem
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
# allowed_domains = ['www.xxx.com']
start_urls = ['https://www.qiushibaike.com/text/']
#将多个页码对应的页面数据进行爬取和解析的操作
url = 'https://www.qiushibaike.com/text/page/%d/'#通用的url模板
pageNum = 1
#parse第一次调用表示的是用来解析第一页对应页面中的段子内容和作者
def parse(self, response):
div_list = response.xpath('//*[@id="content-left"]/div')
all_data = []
for div in div_list:
# scrapy中的xpath返回的列表的列表元素一定是Selector对象,我们最终想要的解析的
# 数据一定是存储在该对象中
# extract()将Selector对象中data参数的值取出
# author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
# 列表直接调用extract表示的是将extract作用到每一个列表元素中
content = div.xpath('./a[1]/div/span//text()').extract()
content = ''.join(content)
# 将解析的数据存储到item对象
item = QiubaiproItem()
item['author'] = author
item['content'] = content
# 将item提交给管道
yield item # item一定是提交给了优先级最高的管道类
if self.pageNum <= 5:
self.pageNum += 1
new_url = format(self.url%self.pageNum)
#手动请求(get)的发送
yield scrapy.Request(new_url,callback=self.parse)
post请求发送
-
问题：在之前代码中，我们从来没有手动的对start_urls列表中存储的起始url进行过请求的发送，但是起始url的确是进行了请求的发送，那这是如何实现的呢？
-
解答：其实是因为爬虫文件中的爬虫类继承到了Spider父类中的start_requests（self）这个方法，该方法就可以对start_urls列表中的url发起请求：
def start_requests(self): for u in self.start_urls: yield scrapy.Request(url=u,callback=self.parse)
-
-
【注意】该方法默认的实现，是对起始的url发起get请求，如果想发起post请求，则需要子类重写该方法。
-
方法： 重写start_requests方法，让其发起post请求：
def start_requests(self): #请求的url post_url = 'http://fanyi.baidu.com/sug' # post请求参数 formdata = { 'kw': 'wolf', } # 发送post请求 yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse) -
scrapy五大核心组件
#引擎(Scrapy) 用来处理整个系统的数据流处理, 触发事务(框架核心) #调度器(Scheduler) 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 #下载器(Downloader) 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) #爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 #项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
-
工作流程
#步骤 1.spider中的url被封装成请求对象交给引擎(每一个url对应一个请求对象); 2.引擎拿到请求对象之后, 将其全部交给调度器; 3.调度器拿到所有请求对象后, 通过内部的过滤器过滤掉重复的url, 最后将去重后的所有url对应的请求对象压入到队列中, 随后调度器调度出其中一个请求对象, 并将其交给引擎; 4.引擎将调度器调度出的请求对象交给下载器; 5.下载器拿到该请求对象去互联网中下载数据; 6.数据下载成功后会被封装到response中, 随后response会被交给下载器; 7.下载器将response交给引擎; 8.引擎将response交给spiders; 9.spiders拿到response后调用回调方法进行数据解析, 解析成功后产生item, 随后spiders将item交给引擎; 10.引擎将item交给管道, 管道拿到item后进行数据的持久化存储.
7.3基于scrapy进行图片数据的爬取
-
示例 :校花网图片的爬取
链接地址 :http://www.521609.com/daxuemeinv/list81.html
-
项目的创建
-
scrapy startproject imgPro
-
cd imgPro
-
scrapy genspider img www.xxx.com
-
-
如何基于scrapy进行图片的爬取
1.在爬虫文件中只需要解析出图片地址,然后将图片地址提交给管道 2.配置文件中添加 IMAGES_STORE = './imasLib' 1.在管道文件中进行管道类的制定: from scrapy.pipelines.images import ImagesPipeline 将管道的父类修改成 ImagesPipeline 重写父类的三个方法 -
代码:
img.py
import scrapy from imgPro.items import ImgproItem class ImgSpider(scrapy.Spider): name = 'img' # allowed_domains = ['www.x.com'] start_urls = ['http://www.521609.com/daxuemeinv/'] url = 'http://www.521609.com/daxuemeinv/list8%d.html' pageNum = 1 def parse(self, response): li_list = response.xpath('//*[@id="content"]/div[2]/div[2]/ul/li') for li in li_list: img_src = 'http://www.521609.com' + li.xpath('./a[1]/img/@src').extract_first() item = ImgproItem() item['src'] = img_src yield item if self.pageNum < 4: self.pageNum += 1 new_url = format(self.url%self.pageNum) yield scrapy.Request(new_url,callback=self.parse)setting.py
##不遵从robotstx协议 ROBOTSTXT_OBEY = False #输出错误类型的日志 LOG_LEVEL = 'ERROR' # LOG_FILE = './log.txt' #图片存储地址 IMAGES_STORE = './imasLib' ITEM_PIPELINES = { 'imgPro.pipelines.ImgproPipeline': 300, }pipelines.py
import scrapy from scrapy.pipelines.images import ImagesPipeline class ImgproPipeline(ImagesPipeline): #对某一个媒体资源进行请求发送 # item 就是接收到的spider提交的数据 def get_media_requests(self, item, info): yield scrapy.Request(item['src']) #指定媒体数据存储的名称 def file_path(self, request, response=None, info=None): #返回原始图片名称 name = request.url.split('/')[-1] print("正在下载:",name) return name #将 item 传递给下一个即将被执行的管道类 def item_completed(self, results, item, info): return itemitems.py
import scrapy class ImgproItem(scrapy.Item): # define the fields for your item here like: src = scrapy.Field()
如何提升scrapy爬取数据的效率
只需要将如下五个步骤配置在配置文件中即可:
#增加并发
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
#降低日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’
#禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False
#禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False
#减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s
7.4请求传参
-
实现深度爬取：爬取多个层级对应的页面数据
-
使用场景：爬取的数据没有在同一张页面中
-
在手动请求的时候传递item：yield scrapy.Request(url,callback,meta={'item':item})
-
将meta这个字典传递给callback
-
在callback中接收meta：item = response.meta['item']
-
-
代码:
movie.py
import scrapy from moviePro.items import MovieproItem class MovieSpider(scrapy.Spider): name = 'movie' # allowed_domains = ['www.xxx.com'] start_urls = ['https://www.4567tv.tv/index.php/vod/show/class/动作/id/5.html'] url = 'https://www.4567tv.tv/index.php/vod/show/class/动作/id/5/page/%d.html' pageNum = 1 def parse(self, response): li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li') for li in li_list: title = li.xpath('./div[1]/a/@title').extract_first() detail_url = "https://www.4567tv.tv" + li.xpath('./div[1]/a/@href').extract_first() item = MovieproItem() item['title'] = title # meta参数是一个字典,该参数可以传递给callback指定的回调函数, yield scrapy.Request(detail_url,callback=self.parse_detail,meta={'item':item}) if self.pageNum < 5: self.pageNum += 1 new_url = format(self.url%self.pageNum) yield scrapy.Request(new_url,callback=self.parse) def parse_detail(self,response): #接收参数 response.meta item = response.meta['item'] #简介 desc = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()').extract_first() item['desc'] = desc yield itemsetting.py
BOT_NAME = 'moviePro' SPIDER_MODULES = ['moviePro.spiders'] NEWSPIDER_MODULE = 'moviePro.spiders' # UA伪装 USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' # Obey robots.txt rules ROBOTSTXT_OBEY = False #输出错误类型的日志 LOG_LEVEL = 'ERROR' ITEM_PIPELINES = { 'moviePro.pipelines.MovieproPipeline': 300, }items.py
import scrapy class MovieproItem(scrapy.Item): # define the fields for your item here like: title = scrapy.Field() desc = scrapy.Field()pipelines.py
class MovieproPipeline(object): def process_item(self, item, spider): print(item) return item
7.5scrapy中的中间件的应用
1.请求载体身份标识(可用)
user_agent_list = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
"(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
3.代理池(不可用)
PROXY_http = [
'153.180.102.104:80',
'195.208.131.189:56055',
]
PROXY_https = [
'120.83.49.90:9000',
'95.189.112.214:35508',
]
3.爬虫中间件
4.下载中间件
-
作用 :批量拦截请求和响应
拦截请求
-
UA伪装 :将所有的请求尽可能多的设定成不同的请求载体身份标识
-
代理操作
from scrapy import signals
import random
user_agent_list = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
"(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
PROXY_http = [
'153.180.102.104:80',
'195.208.131.189:56055',
]
PROXY_https = [
'120.83.49.90:9000',
'95.189.112.214:35508',
]
# 下载中间件
class MovieproDownloaderMiddleware(object):
# 拦截正常的请求,参数 request 就是拦截到请求对象
def process_request(self, request, spider):
print("i am process_request")
#实现:将拦截到的请求尽可能多的设定成不同的请求载体身份标识
request.headers['USER_AGENT'] = random.choice(user_agent_list)
if request.url.split(":")[0] == "http":
request.meta['proxy'] = 'http://' + random.choice(PROXY_http)
else:
request.meta['proxy'] = 'https://' + random.choice(PROXY_https)
return None
# 拦截响应,参数 request 就是拦截到响应
def process_response(self, request, response, spider):
print("i am process_response")
return response
# 拦截发生异常的请求
def process_exception(self, request, exception, spider):
print("i am process_exception")
#拦截到异常的请求,然后对其进行修正,然后重新进行请求发送
#代理操作
if request.url.split(":")[0] == "http":
request.meta['proxy'] = 'http://' + random.choice(PROXY_http)
else:
request.meta['proxy'] = 'https://' + random.choice(PROXY_https)
#将修正后的请求进行重新发送
return request
拦截响应
-
篡改响应数据或直接替换响应对象
-
需求 : 爬取网易新闻 国内,国际,军事,航空,无人机这五个板块下对应的新闻标题和内容
#分析: 1.每一个板块对应的新闻数据是动态加载出来的 # selenium在scrapy中的应用: 实例化浏览器对象:卸载爬虫类的构造方法中
wangyi.py
import scrapy from selenium import webdriver from wangyiPro.items import WangyiproItem class WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.com'] start_urls = ['https://news.163.com'] five_model_urls = [] #实例化一个浏览器对象 bro = webdriver.Chrome(executable_path=r'E:\飞秋\爬虫+数据\tools\chromedriver.exe') #用来解析五个板块对应的url,然后对齐进行手动请求发送 def parse(self, response): model_index = [3,4,6,7,8] li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li') for index in model_index: li = li_list[index] #获取五个板块对应的url model_url = li.xpath('./a/@href').extract_first() self.five_model_urls.append(model_url) #对每个板块的url进行手动请求发送 yield scrapy.Request(model_url,callback=self.parse_model) #用作与解析每个板块中的新闻标题和新闻详情页的url #问题:response(不满足需求的response)没有包含每一个板块中动态加载的新闻数据 def parse_model(self,response): div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div') for div in div_list: title = div.xpath('./div/div[1]/h3/a/text()').extract_first() detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first() item = WangyiproItem() item['title'] = title #对详情页发起请求解析出新闻内容 yield scrapy.Request(detail_url,callback=self.prase_new_detail,meta={'item':item}) def prase_new_detail(self,response): item = response.meta['item'] content = response.xpath('//*[@id="endText"]//text()').extract() content = ''.join(content) item['content'] = content yield item #最后执行 def closed(self,spider): self.bro.quit()items.py
import scrapy class WangyiproItem(scrapy.Item): # define the fields for your item here like: title = scrapy.Field() content = scrapy.Field()middlewares.py
from scrapy import signals from scrapy.http import HtmlResponse from time import sleep class WangyiproDownloaderMiddleware(object): def process_request(self, request, spider): return None # spider 就是爬虫文件中爬虫类实例化的对象 def process_response(self, request, response, spider): #进行所有响应对象的拦截 # 1.将所有响应对象中那五个不满足需求的响应对象找出 #每个响应对象对应唯一一个请求对象 #如果我们定位到五个响应对象的请求对象后,就可以通过该请求对象定位到指定的响应对象 #可以通过五个板块的 url 定位请求对象 #总结: url ==> request ==> response # 2.将找出的五个不满足需求的响应对象进行修正(替换) # spider.five_model_urls :五个板块对应的url bro = spider.bro if request.url in spider.five_model_urls: bro.get(request.url) sleep(1) #包含了动态加载的新闻数据 page_text = bro.page_source #如果if条件成立,则该response就是五个板块对应的响应对象 new_response = HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request) return new_response return response def process_exception(self, request, exception, spider): passpipelines.py
class WangyiproPipeline(object): def process_item(self, item, spider): print(item) return itemsetting.py
BOT_NAME = 'wangyiPro' SPIDER_MODULES = ['wangyiPro.spiders'] NEWSPIDER_MODULE = 'wangyiPro.spiders' # UA伪装 USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False LOG_LEVEL = 'ERROR' DOWNLOADER_MIDDLEWARES = { 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543, } ITEM_PIPELINES = { 'wangyiPro.pipelines.WangyiproPpeline': 300, }
7.6.基于CrawSpider的全站数据爬取
-
CrawSpider简介
-
CrawSpider就是爬虫类中 Spider的一个子类
-
除了继承到Spider的特性和功能外，还派生除了其自己独有的更加强大的特性和功能。其中最显著的功能就是”LinkExtractors链接提取器“。Spider是所有爬虫的基类，其设计原则只是为了爬取start_url列表中网页，而从爬取到的网页中提取出的url进行继续的爬取工作使用CrawlSpider更合适。
-
-
使用流程
1.创建一个基于CrawSpider的爬虫文件 : scrapy startproject sunPro cd sunPro scrapy genspider -t crawl spiderName www.xxx.com 2.构造链接提取器和规则解析器 链接提取器 作用:可根据指定的规则进行指定链接的提取 提取规则:allow = '正则表达式' 规则解析器 作用:获取链接提取器提取到的链接,然后进行请求发送,根据指定规则对请求到的页面源码数据进行数据解析 follow = 'True' :将链接提取器 继续作用到 链接提取器所提取到的页码链接所对应的页面中
7.6.1 基于CrawSpider的基本使用
数据链接地址 :http://wz.sun0769.com/index.php/question/questionType?type=4&page=
sun.py
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
#未实现深度爬取:爬取的只是每个页面对应的数据
class SunSpider(CrawlSpider):
name = 'sun'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']
#链接提取器 type=4&page=\d+
link = LinkExtractor(allow=r'type=4&page=\d+')
rules = (
#实例化一个Rule(规则解析器)的对象
Rule(link, callback='parse_item', follow=True),
)
def parse_item(self, response):
tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
for tr in tr_list:
title = tr.xpath('./td[2]/a[2]/@title').extract_first()
status = tr.xpath('./td[3]/span/text()').extract_first()
print(title,status)
setting.py
BOT_NAME = 'sunPro' SPIDER_MODULES = ['sunPro.spiders'] NEWSPIDER_MODULE = 'sunPro.spiders' # UA伪装 USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False LOG_LEVEL = 'ERROR'
7.6.2 基于CrawSpider的深度爬取
sun.py
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,SunproItem_detail
class SunSpider(CrawlSpider):
name = 'sun'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']
#链接提取器
link = LinkExtractor(allow=r'type=4&page=\d+')
#详情页url question/201909/426989.shtml
link_detail = LinkExtractor(allow=r'question/\d+/\d+\.shtml')
rules = (
#实例化一个Rule(规则解析器)的对象
Rule(link, callback='parse_item', follow=True),
Rule(link_detail, callback='parse_datail'),
)
def parse_item(self, response):
tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
for tr in tr_list:
title = tr.xpath('./td[2]/a[2]/@title').extract_first()
status = tr.xpath('./td[3]/span/text()').extract_first()
num = tr.xpath('./td[1]/text()').extract_first()
item = SunproItem()
item['title'] = title
item['status'] = status
item['num'] = num
if num:
yield item
def parse_datail(self,response):
content = response.xpath('/html/body/div[9]/table[2]/tbody/tr[1]//text()').extract()
content = ''.join(content)
num = response.xpath('/html/body/div[9]/table[1]/tbody/tr/td[2]/span[2]/text()').extract_first()
if num:
num = num.split(':')[-1]
item = SunproItem_detail()
item['content'] = content
item['num'] = num
yield item
pipelines.py
class SunproPipeline(object):
def process_item(self, item, spider):
if item.__class__.__name__ == "SunproItem_detail":
content = item['content']
num = item['num']
print(content,num)
else:
title = item['title']
status = item['status']
num = item['num']
print(title,status,num)
items.py
class SunproItem(scrapy.Item):
title = scrapy.Field()
status = scrapy.Field()
num = scrapy.Field()
class SunproItem_detail(scrapy.Item):
content = scrapy.Field()
num = scrapy.Field()
7.7.分布式
7.7.1基本概念
-
什么是分布式爬虫?
-
基于多台电脑组建一个分布式机群,然后让机群中的每一台电脑执行同一组程序,然后让它们对同一个网站的数据进行分布爬取
-
-
为什么要用分布式爬虫?
-
提升爬取数据的效率
-
-
如何实现分布式爬虫?
-
基于scrapy + redis 的形式实现分布式
-
scrapy 结合着 scrapy-redis组件实现分布式
-
-
-
原生的scrapy无法实现分布式原因?
-
调度器无法被分布式群共享
-
管道无法被共享
-
-
scrapy-redis组件的作用
-
提供可以被共享的调度器和管道
-
-
环境安装:
-
pip insatll redis
-
pip install scrapy-redis
-
7.7.2分布式流程
#1.创建一个基于CrawSpider的爬虫文件 :
scrapy startproject sunPro
cd sunPro
scrapy genspider -t crawl spiderName www.xxx.com
#2.修改当前的爬虫文件
1.导包 : from scrapy_redis.spiders import RedisCrawlSpider
2.将当前爬虫类的父类修改成RedisCrawlSpider
3.将start_urls替换成redis_key = 'xxx' #表示的是可被共享调度器中队列的名称
4.编写爬虫类爬取数据的操作
#3.对setting进行操作
#指定管道
开启可被共享的管道 :
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 400
}
#指定可被共享的调度器
# 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
#指定redis服务
REDIS_HOST = 'redis服务的ip地址'
REDIS_PORT = 6379
#4.对redis配置文件进行配置 (redis.windows.conf)
56行 : #bind 127.0.0.1
75行 : protected-mode yes --> protected-mode no
#5.携带配置文件启动redis服务 redis-server .\redis.windows.conf
地址: E:\飞秋\爬虫+数据\tools\redis\Redis-x64-3.2.100
#6.启动redis客户端 : redis-cli
#7.执行当前的工程
进入到爬虫文件对应的目录中：scrapy runspider xxx.py
#8.向调度器队列中仍入一个起始的url：
队列在哪里呢？
答：队列在redis中 lpush fbsQueue www.xxx.com
-
代码
fbs.py
import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from scrapy_redis.spiders import RedisCrawlSpider from fbsPro.items import FbsproItem class FbsSpider(RedisCrawlSpider): name = 'fbs' # allowed_domains = ['www.xxx.com'] # start_urls = ['http://www.xxx.com/'] # redis_key表示的是可被共享调度器中队列的名称 redis_key = 'fbsQueue' rules = ( Rule(LinkExtractor(allow=r'type=4&page=\d+'), callback='parse_item', follow=True), ) def parse_item(self, response): tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr') for tr in tr_list: title = tr.xpath('./td[2]/a[2]/@title').extract_first() status = tr.xpath('./td[3]/span/text()').extract_first() item = FbsproItem() item['title'] = title item['status'] = status yield itemitems.py
import scrapy class FbsproItem(scrapy.Item): title = scrapy.Field() status = scrapy.Field()settings.py
BOT_NAME = 'fbsPro' SPIDER_MODULES = ['fbsPro.spiders'] NEWSPIDER_MODULE = 'fbsPro.spiders' ROBOTSTXT_OBEY = True #开启可被共享的管道 ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 400 } #指定可被共享的调度器 # 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 使用scrapy-redis组件自己的调度器 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据 SCHEDULER_PERSIST = True #指定redis服务 REDIS_HOST = '192.168.11.50' REDIS_PORT = 6379