2022年我的网络爬虫学习心得

目录

一、学习心得

二、爬虫用到的pip模块以及对应的功能

三、单个网页爬虫代码及结果

四、scrapy框架爬虫

五、Gerapy搭建

---

一、学习心得

       本学期我开始接触网络爬虫，从爬虫的基础知识开始学习，到简单的网页信息的抓取和简单的数据处理，将数据保存到MySQL数据库、MongoDB数据库中，乃至于scrapy、gerapy爬虫框架的应用，整体上对数据爬虫有了认识。爬虫工作首先是获取网页，再向服务器发送请求获取信息，将提取到的数据进行存储，以及自动化程序。

       万事开头难，刚开始学习需要了解的基础知识挺多，代码报错是经常的事，还有软件的安装，各种库的安装，都很容易出错。在爬虫学习的过程中，我遇到了很多问题，通过请教老师、同学，百度，CSDN等方式，解决了问题，也学到了很多新的知识，积累了经验，更加严谨。我觉得能够把想要的数据抓取下来是一件非常有成就感的事情，每一次看到代码的成功运行，数据被不断的爬取，看到后都会充满欣喜，大大提高了我对爬虫学习的积极性。技术总是在不断地发展与进步，网页也采取了各种防护措施，爬虫和反爬虫在不断斗争，像WebDiver检测、参数加密、前端代码的压缩等，要做到高效的数据爬取，还有许多需要学习的东西。

二、爬虫用到的pip模块以及对应的功能

urllib：设定相关的头部信息然后和网站建立请求连接,请求连接建立完成后就能够去获取到网页的整体数据

requests：用作发送网络请求,根据对方服务器的要求不同,可使用GET、POST和PUT等方式进行请求。并且可以对请求头进行伪装、使用代理访问等

pandas：pandas 是基于NumPy 的一种工具， 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。

pymysql：Python自带的一个用于爬虫的库,其主要作用就是可以通过代码模拟浏览器发送请求。

pymongo：是在python中操作mongodb数据库的程序，操作者可以在python中使用python语法+mongodb语法实现对mongodb数据库的操作。将数据存储为一个文档，数据结构为键值对，类似JSON对象，也可以当作Python的字典来看待。

BeautifulSoup：BeautifulSoup是一个灵活方便的网页解析库,处理搞笑,支持多种解析器。利用它可以不用编写正则表达式就可以方便的实现网页信息的抓取。

Numpy：numpy模块支持高阶、大量的矩阵计算和向量计算的方法，还提供了非常丰富的函数。

sqlalchemy：是Python编程语言下的一款ORM框架,该框架建立在数据库API之上,使用关系对象映射进行数据库操作。

lxml：是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。

json：是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。

gerapy：是一款分布式爬虫管理框架，支持 Python 3，基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapy-Redis、Scrapyd-API、Scrapy-Splash、Jinjia2、Django、Vue.js 开发，Gerapy 可以帮助我们：更方便地控制爬虫运行，更直观地查看爬虫状态，更实时地查看爬取结果，更简单地实现项目部署，更统一地实现主机管理。

三、单个网页爬虫代码及结果

爬取数据并保存到MySQL

 结果

 爬取数据并保存到MongoDB

结果

四、scrapy框架爬虫

（一）分步骤描述items,middlewares,pipelines,settings如何配置的文字描述以及对应代码。

用scrapy.Field()构建数据存储字段，定义title，url，date，content，site，item，student_id这七个要爬取的字段。

import scrapy
class NewsdataItem(scrapy.Item):
    title = scrapy.Field()  #文章标题
    url = scrapy.Field()   #文章链接
    date = scrapy.Field()   #发布日期
    content = scrapy.Field()   #文章正文
    site = scrapy.Field()  #站点
    item = scrapy.Field()   #栏目
    student_id = scrapy.Field()  #学号

 2. middlewares

SpiderMiddleware和DownloaderMiddleware这两个类默认不需要变动，这个部分需要添加header。

# 添加Header
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
from scrapy.utils.project import get_project_settings
import random
 
settings = get_project_settings()
 
class RotateUserAgentMiddleware(UserAgentMiddleware):
    def process_request(self, request, spider):
        referer = request.url
        if referer:
            request.headers["referer"] = referer
        USER_AGENT_LIST = settings.get('USER_AGENT_LIST')
        user_agent = random.choice(USER_AGENT_LIST)
        if user_agent:
            request.headers.setdefault('user-Agent', user_agent)
            print(f"user-Agent:{user_agent}")

3.pipelines

host，port，dbname和sheetname对应settings里面的ip地址，端口号，数据库名，表名。数据写入时使用insert_one。

# 添加必备包和加载设置
import pymongo
from scrapy.utils.project import get_project_settings
 
settings = get_project_settings()
 
class NewsdataPipeline:
    # class中全部替换
    def __init__(self):
        host = settings["MONGODB_HOST"]
        port = settings["MONGODB_PORT"]
        dbname = settings["MONGODB_DATABASE"]
        sheetname = settings["MONGODB_TABLE"]
        # username = settings["MONGODB_USER"]
        # password = settings["MONGODB_PASSWORD"]
        # 创建MONGODB数据库链接
        #client = pymongo.MongoClient(host=host, port=port, username=username, password=password)
        client = pymongo.MongoClient(host=host, port=port)
        # 指定数据库
        mydb = client[dbname]
        # 存放数据的数据库表名
        self.post = mydb[sheetname]
 
    def process_item(self, item, spider):
        data = dict(item)
        # 数据写入
        self.post.insert_one(data)
        return item

4.setting

ROBOTSTXT_OBEY这个要改为False，不然有的网站不能爬取，mongodb数据库的设置：IP地址，端口号默认27017，数据库名称和表名称。将信息放入到USER_AGENT_YANGYUAN中

ROBOTSTXT_OBEY = False

DOWNLOADER_MIDDLEWARES = {
   #'NewsData.middlewares.NewsdataDownloaderMiddleware': 543,
   'NewsData.middlewares.RotateUserAgentMiddleware': 543,
}

ITEM_PIPELINES = {
   'NewsData.pipelines.NewsdataPipeline': 300,
}

USER_AGENT_LIST = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
    "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"
]   
# 添加MONGODB数仓设置
MONGODB_HOST = "localhost"  # 数仓IP
MONGODB_PORT = 27017  # 数仓端口号
MONGODB_DATABASE = "NewsData"  # 数仓数据库
MONGODB_TABLE = "News_Process_YANGYUAN"  # 数仓数据表单

（二）分步骤描述爬虫启动start_requests、列表解析parse、内容解析parse_detail、以及数据存储的文字描述对应代码

1.爬虫启动start_requests

通过for循环爬取每个站点，site和item对应的每个网址列表里面的第一个和第二个元素，每爬取一次yeild进行传参，目标网址进行request访问。

    def start_requests(self):
        for url in self.start_urls:
            item = NewsdataItem()
            item["site"] = url[1]
            item["item"] = url[2]
            item["student_id"] = "20201949"           
            yield scrapy.Request(url=url[0], meta={"item": deepcopy(item)}, callback=self.parse)

2.列表解析parse

定义三个列表title_list、url_list、date_list，采用response.xpath方法，通过对应的xpath去定位url，title和date，extract()函数解析成列表的形式，进行遍历循环，title，url，date对应列表的相应位置元素，再使用yield进行二次返回跳转。通过contains判断数据是否含有日期标签。

    def parse(self, response):
        item = response.meta["item"]
        title_list = response.xpath('/html/body//li/descendant::h3/a/text()').extract()
        url_list = response.xpath('/html/body//li/descendant::h3/a/@href').extract()
        date_list = response.xpath('/html/body//li/descendant::label[1][contains(text(), "-" )]/text() ').extract()
        if len(date_list) == 0:
            date_list = response.xpath('/html/body//li/descendant::span[1][contains(text(), "-")]/text() ').extract()

        print(title_list)

        for each in range(len(title_list)):
            item["title"] = title_list[each]
            item["url"] = url_list[each]
            item["date"] = date_list[each]
            yield scrapy.Request(url=item["url"], meta={"item": deepcopy(item)}, callback=self.parse_detail)

3.内容解析parse_detail

采用response.xpath方法，根据对应的xpath去定位正文内容content，通过管道把item数据保存到数据库。

    def parse_detail(self, response):
        item = response.meta["item"]
        strs = response.xpath('//*[@id="news-body"]/descendant::p[string-length()>4]/text()').extract()
        item["content"] = ''.join(str(i) for i in strs)
        return item

（三）在数据库可视化界面中截图抓取的数据截图（814条）。

 

五、Gerapy搭建

1.pip配置

pip install gerapy 

pip install scrapyd

2.创建用户

创建表单 gerapy migrate 

初始化账户

打开浏览器，输入127.0.0.1:8000，输入密码和用户名

3.主机管理

 点击主机管理，点击创建

 

主机名为localhost，IP为127.0.0.1，端口号为6800，状态正常。

 

 4.项目管理

将scrapy框架的整个文件夹放在gerapy文件夹下的projects里面，在项目管理中打包后部署。

 

 5.任务管理

编辑任务名称，项目是整个NewsData文件夹，脚本是spiders文件夹下的news，主机为连接好的localhost，调度方式可以自己定时间，可以在任务中查看每个任务的运行状态，下面是实际运行的数据结果。