python能做的100件事03-python爬虫

本例基于python3和scrapy爬虫框架，不再介绍python的基础知识和爬虫的基本知识。

1. scrapy介绍

Scrapy是适用于Python的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

首先安装scrapy:

pip3 install scrapy

2 新建爬虫项目

scrapy startproject pic

项目目录如下：

3 新建蜘蛛文件

蜘蛛文件放在spiders目录下，在spiders目录下新建一个蜘蛛文件pic.py,内容如下，并没有设计爬取操作，代码比较简单，看代码中的注释就明白了：

import scrapy

#类名自定义,参数固定为scrapy.Spider
class GetImage(scrapy.Spider):
    name="pic" #蜘蛛名称，必须唯一，一个爬虫项目可以新建多个蜘蛛文件，蜘蛛名不能重复
    
    def start_requests(self):
        #定义要爬取的url    
        urls=[
            'https://www.rottentomatoes.com/browse/movies_in_theaters/'
        ]
        
        #请求网页内容，并将内容交给回调函数处理
        for url in urls:
            # yield关键字类似return,scrapy.Request发起网页请求，括号内为参数，第一个参数是Request要请求的地址，第二个参数是回调函数，表示Request取到的内容交由该回调函数处理。
            yield scrapy.Request(url=url,callback=self.parse) 

    #上一方法需要调用的回调函数
    def parse(self,response):
        print("------------------------")
        #此处获取上一步请求的网页内容及请求状态，print(response.body)可以获取网页内容，
        #因为内容太长，这里不再输出，只输出地址和状态。
        print(response)

4 运行爬虫

回到项目的根目录，运行如下命令：

scrapy crawl pic # crawl指定类文件中定义的蜘蛛名称pic

可以在运行日志中查看结果,200是网页连接正常的状态码:

5 爬取内容

上面代码中的网址是烂番茄网的电影页面,建议在测试时尽量选择测试网站进行测试,爬取信息时请遵守网站规定,并确认是否允许爬取.示例中的网页如下图所示:

5.1分析网页结构

我们的目标是所有电影的名称和缩略图，首先通过F12查看网页的结构及目标节点的样式，如下图所示：
可以看到只要找tile-dynamic节点下的img标签即可。scrapy中获取节点如下所示：

运行爬虫，获取到的电影名称如下所示，是一个列表：

5.2 关于Xpath解析

此处展示一些Xpath用法：

        #从html根节点查找最外层所有div
        divs = response.xpath('//div')
        #从html根节点查找第一个div
        div = response.xpath('//div[1]')
        #从上面的div中查找所有p节点,注意此时开头用./不是//
        ps = div.xpath('./p')
        #从上面的div中查找所有样式为col-4的p节点
        ps1 = div.xpath('./p[@class="col-4"]')
        #循环获取ps1中所有p节点下的img图像地址
        for p in ps1:
            #获取节点属性以@开头如@alt，@src，@text等
            srcs = p.xpath('./img/@src').get() #或者getall(),p节点包含多张图片的情况
        #更多xpath请参考官方教程：
        #https://docs.scrapy.org/en/latest/topics/selectors.html#working-with-xpaths
       

5.3 接着解析电影数据

增加对缩略图的抓取，代码获取的缩略图如下图所示：

5.4 下载缩略图

下载过程如图所示：

下载内容：

5.5 完整代码

import scrapy
import ssl
import os
import urllib


#定义图片下载地址,请修改为自己的路径
d_path = '/home/ubuntu/下载/albums'

#类名自定义,参数固定为scrapy.Spider
class GetImage(scrapy.Spider):
    name="pic" #蜘蛛名称，必须唯一，一个爬虫项目可以新建多个蜘蛛文件，蜘蛛名不能重复
    
    def start_requests(self):
        #定义要爬取的url    
        urls=[
            'https://www.rottentomatoes.com/browse/movies_in_theaters/'
        ]
        
        #请求网页内容，并将内容交给回调函数处理
        for url in urls:
            # yield关键字类似return,scrapy.Request发起网页请求，括号内为参数，第一个参数是Request要请求的地址，第二个参数是回调函数，表示Request取到的内容交由该回调函数处理。
            yield scrapy.Request(url=url,callback=self.parse) 

    #上一方法需要调用的回调函数
    def parse(self,response):
        print("--------------------------")
        #此处获取上一步请求的网页内容及请求状态，print(response.body)可以获取网页内容，
        #因为内容太长，这里不再输出，只输出地址和状态。
        print(response)
        #获取页面所有电影节点
        #xpath方式获取 //表示从页面根节点开始查找，查找tile-tynamic下的img标签
        #然后获取img标签下的alt属性，这里alt属性是电影的名字。
        #getall()表示获取所有匹配项，get()获取第一个匹配项
        names = response.xpath('//tile-dynamic/img/@alt').getall()
        #获取页面所有电影缩略图地址
        albums = response.xpath('//tile-dynamic/img/@src').getall()
        
        for index,album in enumerate(albums):
            #循环取出缩略图地址，交由函数downImg来完成图片下载
            #并传入参数name,用作下载的缩略图命名
            self.downImg(album,names[index])


    #图片下载方法
    def downImg(self,album,name):

        try:
            #下载图片，参数第一个是缩略图地址，第二个参数是文件保存地址+文件名称+后缀名
            urllib.request.urlretrieve(album,d_path+"/" + name + ".jpg")
        except Exception as e:
            print('下载异常:')
            print(e)
            pass
        print ('下载图片:' + name)

6 最后说明

一个简单的图片爬虫就完成了，一个功能复杂的爬虫，还需要解决登陆，分页，或者爬取到结果后入库等操作，这里就不多做解释，以后有空会更新登陆，分页等其他功能，没有空就不更新了。最后还要说明一点，爬取网络内容时请遵守相关法律法规，和网站规则。一般网站的根目录下都有robots.txt文件，请确保遵循了robots.txt的规则。比如烂番茄网的robots.txt规则如下：

Disallow:/search 表示不允许爬取 /search下的所有网页。

7 2023.01.23更新

7.1 关于分页

7.1.1 第一种是类似烂番茄网这样底部只有一个load more按钮的。每次单击这个按钮，会刷新出新一页的数据。但是每次单击时，地址栏都会携带一个page参数，每次加1.

在抓取时抓取地址添加一个参数并且循环增加这个page参数即可。这种页面在不知道总页数是多少页的情况下，我们可以自由选择要抓取的页数，或者一个很大的数去抓取全部数据。代码示例如下：

异常处理

关于下载图片时的异常如：

是因为这张图片的名字中包含特殊字符<无法识别为路径,创建图片失败所致,在name中去掉标记即可,示例如下:

然后这张图片就正常了:

在你们自己的文件中需要根据异常信息自己处理.

避免重复抓取

对于上面的分页情况,当跳转第二页的时候,事页面上的数据已经包含了前2页的数据,这个时候要处理已经抓取过的数据,重复抓取对结果并无影响,因为上面的图片下载方法如果存在文件则会覆盖.但是会引起不必要的开销.针对上面的情况,事实上只要抓取第三页的数据就可以了.不用循环页码去分别抓取1,2,3页的数据.

另一种方法是判断磁盘上文件是否存在,不存在时下载,存在则提示.如下所示:

7.1.2 第二种分页,页面效果类似下面:

这种情况可以抓取分页条来获得最大页码,之后同样拼接分页参数,处理同上不再赘述.

7.1.3 第三种分页,瀑布流,不携带分页参数的情况.

以搜狗图像为例,分析每次滑动鼠标出现xhr请求的地址就会发现,每次从接口请求48张图片,只是开始的位置不一样,即参数中的start:

所以我们只需要抓取这个接口的数据即可,每次抓取更新start参数值.scrapy抓取https://pic.sogou.com/napi/pc/searchList?mode=1&start=0&xml_len=48&query=情侣头像的结果如下:
从item节点里解析出图片的url地址并下载即可.

7.1.4 第四种分页,可以从下一页按钮获取下一页的链接

如上如所示,只要抓取a标签的href值即可获取下一页地址.这里的地址是相对地址,需要手动拼接http://www.xxx.com部分.当然,不是所有的网站都可以从下一页的链接中获取地址.只适用于部分情况.

7.1.5 第五种分页,模拟点击下一页按钮

需要借助 selenium 或者 splash 包来实现.后面再更新.