一、爬虫介绍

  • 爬虫调度端：启动、停止爬虫，监视爬虫运行情况
  • URL管理器：管理将要爬取的URL和已经爬取的URL
  • 网页下载器：下载URL指定的网页，存储成字符串
  • 网页解析器：提取有价值的数据，提取关联URL补充URL管理器

二、URL管理器

三、网页下载器

（1）方法一

（2）方法二

  • header：http头信息
  • data：用户输入信息

（3）方法三

  • HTTPCookieProcessor：需登录的网页
  • ProxyHandler：需代理访问的网页
  • HTTPSHandler：加密访问的网页
  • HTTPRedirectHandler：URL自动跳转的网页

# coding:utf8   #出现编码错误时添加import urllib2
import cookielib
url = "http://www.baidu.com"print '第一种方法'
response1 = urllib2.urlopen(url)
print response1.getcode()
print len(response1.read())print '第二种方法'
request = urllib2.Request(url)
request.add_header('user_agent', 'Mozilla/5.0')
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())print '第三种方法'
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(request)
print response3.getcode()
print cj
print response3.read()

四、网页解析器

Python 自带：html.parser
第三方：BeautifulSoup，lxml

安装beautifulsoup4
1.命令提示符中进入安装Python的文件夹中~\Python27\Scripts
2.输入pip install beautifulsoup4

calss 为Python的关键词，所以用class_表示。

以字典形式可访问节点所有属性

参考：Python爬虫利器二之Beautiful Soup的用法

# coding:utf8import re
from bs4 import BeautifulSouphtml_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')print '获取所有的链接'
links = soup.find_all('a')
for link in links:print link.name, link['href'], link.get_text()print '获取Lacie的 链接'
link_node = soup.find('a',href = 'http://example.com/lacie')
print link_node.name, link_node['href'], link_node.get_text()print '正则匹配'
link_node = soup.find('a',href = re.compile(r'ill'))
print link_node.name, link_node['href'], link_node.get_text()print '获取p段落文字'
p_node = soup.find('a',class_ = "title")
print p_node.name, p_node.get_text()结果：
获取所有的链接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
获取Lacie的 链接
a http://example.com/lacie Lacie
正则匹配
a http://example.com/tillie Tillie
获取p段落文字
p The Dormouse's story

Eclipse：ctrl+shift+M或Ctrl+Shift+o或Ctrl+1可以自动导入相应的包或创建相应的类或方法。

五、实例

观察目标，定制策略，策略要根据目标的变化实时更新。

精通Python网络爬虫（Python3.X版本，PyCharm工具）

一、爬虫类型

  • 通用网络爬虫：全网爬虫。由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等构成。
  • 聚焦网络爬虫：主题爬虫。由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块，内容评价模块、链接评价模块等构成。
  • 增量网络爬虫：增量式更新，尽可能爬取新页面（更新改变的部分）。
  • 深层网络爬虫：隐藏在表单后，需要提交一定关键词才能获取的页面。URL列表、LVS列表（LVS指标签/数值集合，即填充表单的数据源）、爬行控制器、解析器、LVS控制器、表单分析器、表单处理器、响应分析器等构成。

二、核心技术

PyCharm常用快捷键：
Alt+Enter：快速导入包
Ctrl+z：撤销，Ctrl+Shift+z：反撤销

（1）Urllib库

1）Python2.X与Python3.X区别

Python2.X Python3.X
import urllib2 import urllib.requset, urllib.error
import urllib import urllib.requset, urllib.error, urllib.parse
urllib2.urlopen urllib.request.urlopen
urllib.urlencode urllib.parse.urlencode
urllib.quote urllib.request.quote
urllib.CookieJar http.CookieJar
urllib.Request urllib.request.Request

2）快速爬取网页

import urllib.request# 爬取百度网页内容
file = urllib.request.urlopen("http://www.baidu.com", timeout=30) # timeout超时设置，单位：秒
data = file.read()            #读取文件全部内容，字符串类型
dataline = file.readline()    #读取文件一行内容
datalines = file.readlines()  #读取文件全部内容，列表类型# 以html格式存储到本地
fhandle = open("/.../1.html","wb")
fhandle.write(data)
fhandle.close()# 快捷存储到本地
filename = urllib.request.urlretrieve("http://www.baidu.com",filename="/.../1.html")
urllib.request.urlcleanup() #清除缓存# 其他常用方法
file.getcode() #响应状态码，200为链接成功
file.geturl() #爬取的源网页# URL编码(当URL中存在汉字等不符合标准的字符时需要编码后爬取)
urllib.request.quote("http://www.baidu.com")  # http%3A//www.baidu.com
# URL解码
urllib.request.unquote("http%3A//www.baidu.com") # http://www.baidu.com

注意：URL中存在汉字如https://www.baidu.com/s?wd=电影，爬取该URL时实际传入URL应该是"https://www.baidu.com/s?wd=" + urllib.request.quote("电影")，而不应该是urllib.request.quote("https://www.baidu.com/s?wd=电影")

3）浏览器模拟（应对403禁止访问）

import urllib.requesturl = "http://baidu.com"
# 方法一
headers = ("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()# 方法二
req = urllib.request.Request(url)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

4）POST请求

import urllib.request
import urllib.parseurl = "http://www.iqianyue.com/mypost"   # 测试网站
# 将数据使用urlencode编码处理后，使用encode()设置为utf-8编码
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")
req = urllib.request.Request(url, postdata)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

注意：
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")，必须encode("utf-8")编码后才可使用，实际结果为b'name=abc&pass=111'，未编码结果为name=abc&pass=111

5）代理服务器设置（应对IP被屏蔽、403）

def use_proxy(proxy_add, url):import urllib.requestproxy = urllib.request.ProxyHandler({'http': proxy_add})opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)# 创建全局默认opener对象，这样使用urlopen()也会使用该对象urllib.request.install_opener(opener)# 解码类型与网页编码格式一致data = urllib.request.urlopen(url).read().decode("gb2312") return data# 代理IP可用百度搜索
data = use_proxy("116.199.115.79:80", "http://www.baidu.com")
print(data)

注意：encode()：编码，decode()：解码

  • 例如（Python3.X）：
    u = '中文'
    str = u.encode('utf-8') # 结果：b'\xe4\xb8\xad\xe6\x96\x87'，为字节类型
    u1 = str.decode('utf-8') # 结果：中文
  • 过程：
    str(unicode) --[encode('utf-8')]--> bytes --[decode('utf-8')]--> str(unicode)

6）DebugLog调试日志

import urllib.requesthttphd = urllib.request.HTTPHandler(debuglevel=1)
httpshd = urllib.request.HTTPSHandler(debuglevel=1)opener = urllib.request.build_opener(httphd, httpshd)
urllib.request.install_opener(opener)
data = urllib.request.urlopen("http://www.baidu.com")

运行结果：

send: b'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.baidu.com\r\nUser-Agent: Python-urllib/3.6\r\nConnection: close\r\n\r\n'
reply: 'HTTP/1.1 200 OK\r\n'
header: Date header: Content-Type header: Transfer-Encoding header: Connection header: Vary header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: P3P header: Cache-Control header: Cxy_all header: Expires header: X-Powered-By header: Server header: X-UA-Compatible header: BDPAGETYPE header: BDQID header: BDUSERID

7）异常处理

URLError：1）连接不上服务器。2）远程URL不存在。3）无网络。4）HTTPError：
200：OK
301：Moved Permanently——重定向到新的URL
302：Found——重定向到临时的URL
304：Not Modified——请求资源未更新
400：Bad Request——非法请求
401：Unauthorized——请求未经授权
403：Forbidden——禁止访问
404：Not Found——未找到对应页面
500：Internal Server Error——服务器内部错误
501：Not Implemented——服务器不支持实现请求所需要的功能

import urllib.error
import urllib.requesttry:urllib.request.urlopen("http://www.baidu.com")
except urllib.error.URLError as e:if hasattr(e, "code"):print(e.code)if hasattr(e, "reason"):print(e.reason)

（2）正则表达式

1）基本语法（适用其他）

  • 1.单个字符匹配

[...]匹配字符集内的任意字符
\w包括[a-zA-Z0-9]即匹配所以大小写字符及数字，以及下划线

  • 2.多个字符匹配

因为*匹配前个字符0到无限次，所以*?匹配前个字符0次，既不匹配前个字符。
因为+匹配前个字符1到无限次，所以+?匹配前个字符1次。
因为?匹配前个字符0或1次，所以??匹配前个字符0次，既不匹配前个字符。

  • 3.边界匹配

  • 4.分组匹配

\<num>引用编号为num的分组匹配的字符串：

代码1：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').group()
结果：<book>python</book>python
代码2：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').groups()
结果：('book>','python')

解释：.groups()方法返回分组匹配的字符串集合，指总体匹配模式中()内的分组匹配模式匹配的结果集。代码1中'<(book>)(python)</\1\2'为总体匹配模式，其中有(book>)和(python)两个分组匹配模式，代码2结果就为这两个分组匹配模式匹配的结果集，\<num>就是通过num来引用该结果集中的字符串，\1为book>,\2为python。

用(?P<name>)和(?P=name)替代，代码1还可以写为：
re.match(r'<(?P<mark1>book>)(?P<mark2>python)</(?P=mark1)(?P=mark2)','<book>python</book>python').group()

  • 5.模式修改
符号 含义
I 匹配时忽略大小写
M 多行匹配
L 做本地化识别匹配
U 根据Unicode字符及解析字符
S 让.匹配包括换行符，使.可以匹配任意字符

2）re模块

import re
str = ‘imooc python’pa = re.compile(r'imooc') #匹配‘imooc’字符串
ma = pa.match(str)
# 等价于
ma = re.match(r'imooc', str)ma.string   #被匹配字符串
ma.re       #匹配模式(pa值)
ma.group()  #匹配结果
ma.span()   #匹配位置pa = re.compile(r'imooc', re.I) #匹配‘imooc’字符串,不管大小写# 上述最终可写为
ma = re.match(r'imooc', 'imooc python', re.I)

样式字符串前r的用法：
（1）带上r，样式字符串为原字符串，后面的样式字符串是什么匹配什么，里面即使有转义字符串也按普通字符串匹配。
（2）不带r，样式字符串无转义字符串不影响，有转义字符串需考虑转义字符串进行匹配。
例子中r'imooc\\n'相当于imooc\\n，'imooc\\n'相当于imooc\n，因为'\\'为转义字符串时相当于'\'

march从头开始匹配，找出字符串开头符合匹配样式的部分，开头无符合返回NoneType
seach从头开始匹配，找出字符串内第一个符合匹配样式的部分并返回，字符串内无符合返回NoneType

sub()参数中repl可以是用来替代的字符串，也可以是一个函数且该函数需返回一个用来替换的字符串。count为替换次数，默认为0，为都替换。
re.sub(r'\d+','100','imooc videnum=99')
re.sub(r'\d+',lambda x: str(int(x.group())+1),'imooc videnum=99')
结果：'imooc videnum=100'
lambda x: str(int(x.group())+1)为匿名函数，其中冒号前的x为函数参数，默认传入匹配的结果对象，需要用.group()方法获取结果字符串。冒号后算式的结果为返回值。也可以写成：

def add(x):val = x.group()num = int(val)+1return str(num)re.sub(r'\d+',add,'imooc videnum=99')

（3）Cookie用法（应对模拟登陆）

import urllib.request
import urllib.parse
import http.cookiejar# 创建CookieJar对象
cjar = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor创建cookie处理器，并以其为参数创建opener对象
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
# 将opener安装为全局
urllib.request.install_opener(opener)# 网站登录页
url1 = 'http://xxx.com/index.php/login/login_new/'
# 登陆所需要POST的数据
postdata = urllib.parse.urlencode({'username': 'xxx','password': 'xxx'}).encode("utf-8")
req = urllib.request.Request(url1, postdata)
# 网站登陆后才能访问的网页
url2 = 'http://xxx.com/index.php/myclass'# 登陆网站
file1 = urllib.request.urlopen(req)
# 爬取目标网页信息
file2 = urllib.request.urlopen(url2).read()

（4）多线程与队列

# 多线程基础
import threadingclass A(threading.Thread):def __init__(self):# 初始化该线程threading.Thread.__init__(self)def run(self):# 该线程要执行的内容for i in range(10):print("线程A运行")class B(threading.Thread):def __init__(self):threading.Thread.__init__(self)def run(self):for i in range(10):print("线程B运行")t1 = A()
t1.start()t2 = B()
t2.start()

# 队列基础（先进先出）
import queue
# 创建队列对象
a = queue.Queue()
# 数据传入队列
a.put("hello")
a.put("php")
a.put("python")
a.put("bye")
# 结束数据传入
a.task_done()for i in range(4):# 取出数据print(a.get())

（5）浏览器伪装

Headers信息：

Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8

  • Accept：浏览器支持内容类型，支持优先顺序从左往右依次排序
  • text/html：HTML文档
  • application/xhtml+xml：XHTML文档
  • application/xml：XML文档

Accept-Encoding:gzip, deflate, sdch（设置该字段，从服务器返回的是对应形式的压缩代码（浏览器会自动解压缩），因此可能出现乱码）

  • Accept-Encoding：浏览器支持的压缩编码方式
  • deflate：一种无损数据压缩的算法

Accept-Language:zh-CN,zh;q=0.8

  • Accept-Language：支持的语言类型
  • zh-CN：zh中文，CN简体
  • en-US：英语（美国）

Connection:keep-alive

  • Connection：客户端与服务端连接类型
  • keep-alive：持久性连接
  • close：连接断开

Referer:http://123.sogou.com/（某些反爬虫网址可能检验该字段，一般可以设置为要爬取网页的域名地址或对应网址的主页地址）

  • Referer：来源网址

·.addheaders方法传入格式为：[('Connection','keep-alive'),("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0"),...]

三、Scrapy框架

（1）常见爬虫框架

  • Scrapy框架：https://scrapy.org/
  • Crawley框架
  • Portia框架：有网页版
  • newspaper框架
  • python-goose框架

（2）安装Scrapy

  • Python2.X和Python3.X同时安装，命令提示符：
    py -2：启动Python2.X
    py -3：启动Python3.X
    py -2 -m pip install ...：使用Python2.X pip安装
    py -3 -m pip install ...：使用Python3.X pip安装

  • 安装超时：
    手动指定源，在pip后面跟-i，命令如下：
    pip install packagename -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
    pipy国内镜像目前有：
    豆瓣 http://pypi.douban.com/simple/
    阿里云 http://mirrors.aliyun.com/pypi/simple/
    中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
    清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
    华中理工大学 http://pypi.hustunique.com/
    山东理工大学 http://pypi.sdutlinux.org/

  • 出现如下错误：
    error:Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
    解决方案：
    在http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted对应版本的whl文件，cp后面是python版本，amd64代表64位，以Python位数为准
    运行命令：
    pip install C:\xxx\Twisted-17.5.0-cp36-cp36m-win_amd64.whl

  • 安装成功后运行出现No module named 'win32api'错误：
    在https://sourceforge.net/projects/pywin32/files%2Fpywin32/下载安装对应pywin32即可

（3）Scrapy应用（命令提示符输入）

1）创建项目

scrapy startproject myscrapy：创建名为myscrapy的爬虫项目，自动生成如下目录

目录结构：

  • myscrapy/scrapy.cfg：爬虫项目配置文件
  • myscrapy/myscrapy/items.py：数据容器文件，定义获取的数据
  • myscrapy/myscrapy/pipelines.py：管道文件，对items定义的数据进行加工处理
  • myscrapy/myscrapy/settings.py：设置文件
  • myscrapy/myscrapy/spiders：放置爬虫文件
  • myscrapy/myscrapy/middleware.py：下载中间件文件

参数控制：

  • scrapy startproject --logfile="../logf.log" myscrapy
    在创建myscrapy爬虫项目同时在指定地址创建名为logf的日志文件
  • scrapy startproject --loglevel=DEBUG myscrapy
    创建项目同时指定日志信息的等级为DEBUG模式（默认），等级表如下：
等级名 含义
CRITICAL 发生最严重的错误
ERROR 发生必须立即处理的错误
WARNING 出现警告信息，存在潜在错误
INFO 输出提示信息
DEBUG 输出调试信息，常用于开发阶段
  • scrapy startproject --nolog myscrapy
    创建项目同时指定不输出日志

2）常用工具命令

全局命令：（项目文件夹外scrapy -h）

  • scrapy fetch http://www.baidu.com：显示爬取网站的过程
  • scrapy fetch --headers --nolog http://www.baidu.com：显示头信息不显示日志信息
  • scrapy runspider 爬虫文件.py -o xxx/xxx.xxx：运行指定爬虫文件并将爬取结果存储在指定文件内
  • scrapy setting --get BOT_NAME：项目内执行为项目名，项目外执行为scrapybot
  • scrapy shell http://www.baidu.com --nolog：爬取百度首页创建一个交互终端环境并设置为不输出日志信息。

项目命令：（项目文件夹内scrapy -h）

  • scrapy bench：测试本地硬件性能
  • scrapy genspider -l：查看可使用的爬虫模板

  • scrapy genspider -d 模板名：查看爬虫模板内容
  • scrapy genspider -t 模板名 爬虫名 要爬取的网站域名：快速创建一个爬虫文件
  • scrapy check 爬虫名：对爬虫文件进行合同测试
  • scrapy crawl 爬虫名：启动爬虫
  • scrapy list：显示可以使用的爬虫文件
  • scrapy edit 爬虫名：编辑爬虫文件（Windows下执行有问题）
  • scrapy parse 网站URL：获取指定URL网站内容，并使用对应爬虫文件处理分析，可设置的常用参数如下：
参数 含义
--spider==SPIDER 指定某个爬虫文件进行处理
-a NAME=VALUE 设置爬虫文件参数
--pipelines 通过pipelines处理items
--nolinks 不展示提取到的链接信息
--noitems 不展示得到的items
--nocolour 输出结果颜色不高亮
--rules,-r 使用CrawlSpider规则处理回调函数
--callback=CALLBACK,-c CALLBACK 指定spider中用于处理返回的响应的回调函数
--depth=DEPTH,-d DEPTH 设置爬取深度，默认为1
--verbose,-v 显示每层的详细信息

3）Items编写

import scrapy
class MyscrapyItem(scrapy.Item):# define the fields for your item here like:name = scrapy.Field()...

格式：数据名 = scrapy.Field()
实例化：item = MyscrapyItem(name = "xxx",...)
调用：item["name"]、item.keys()、 item.items()（可以看做字典使用）

4）Spider编写(BasicSpider)

# -*- coding: utf-8 -*-
import scrapy
class MyspiderSpider(scrapy.Spider):name = 'myspider' # 爬虫名allowed_domains = ['baidu.com'] start_urls = ['http://baidu.com/']def parse(self, response):pass
  • allowed_domains：允许爬取的域名，当开启OffsiteMiddleware时，非允许的域名对应的网址会自动过滤，不再跟进。
  • start_urls：爬取的起始网址，如果没有指定爬取的URL网址，则从该属性中定义的网址开始进行爬取，可指定多个起始网址，网址间用逗号隔开。
  • parse方法：如果没有特别指定回调函数，该方法是处理Scrapy爬虫爬行到的网页响应（response）的默认方法，通过该方法，可以对响应进行处理并返回处理后的数据，同时该方法也负责链接的跟进。
其他方法 含义
start_requests() 该方法默认读取start_urls属性中定义的网址（也可自定义），为每个网址生成一个Request请求对象，并返回可迭代对象
make_requests_from_url(url) 该方法会被start_requests() 调用，负责实现生成Request请求对象
close(reason) 关闭Spider时调用
log(message[,level, component]) 实现在Spider中添加log
__init__() 负责爬虫初始化的构造函数 
# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItemclass MyspiderSpider(scrapy.Spider):name = 'myspider'allowed_domains = ['baidu.com']start_urls = ['http://baidu.com/']my_urls = ['http://baidu.com/', 'http://baidu.com/']# 重写该方法可读取自己定义的URLS，不重写时默认从start_urls中读取起始网址def start_requests(self):for url in self.my_urls:# 调用默认make_requests_from_url()生成具体请求并迭代返回yield self.make_requests_from_url(url)def parse(self, response):item = MyscrapyItem()item["name"] = response.xpath("/html/head/title/text()")print(item["name"])

5）XPath基础

  • /：选择某个标签，可多层标签查找
  • //：提取某个标签的所有信息
  • test()：获取该标签的文本信息
  • //Z[@X="Y"]：获取所有属性X的值是Y的<Z>标签的内容

  1. 返回一个SelectorList 对象
  2. 返回一个list、里面是一些提取的内容
  3. 返回2中list的第一个元素(如果list为空抛出异常)
  4. 返回1中SelectorList里的第一个元素(如果list为空抛出异常),和3达成的效果一致
  5. 4返回的是一个str， 所以5会返回str的第一个字符

6）Spider类参数传递（通过-a选项实现参数的传递）

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItemclass MyspiderSpider(scrapy.Spider):name = 'myspider'allowed_domains = ['baidu.com']start_urls = ['http://baidu.com/']# 重写初始化方法，并设置参数myurldef __init__(self, myurl=None, *args, **kwargs):super(MyspiderSpider, self).__init__(*args, **kwargs)myurllist = myurl.split(",")# 输出要爬的网站for i in myurllist:print("爬取网站：%s" % i)# 重新定义start_urls属性self.start_urls = myurllistdef parse(self, response):item = MyscrapyItem()item["name"] = response.xpath("/html/head/title/text()")print(item["name"])

命令行：scrapy crawl myspider -a myurl=http://www.sina.com.cn,http://www.baidu.com --nolog

7）XMLFeedSpider

# -*- coding: utf-8 -*-
from scrapy.spiders import XMLFeedSpiderclass MyxmlSpider(XMLFeedSpider):name = 'myxml'allowed_domains = ['sina.com.cn']start_urls = ['http://sina.com.cn/feed.xml']iterator = 'iternodes'  # you can change this; see the docsitertag = 'item'  # change it accordinglydef parse_node(self, response, selector):i = {}# i['url'] = selector.select('url').extract()# i['name'] = selector.select('name').extract()# i['description'] = selector.select('description').extract()return i
  • iterator：设置迭代器，默认iternodes(基于正则表达式的高性能迭代器)，此外还有html、xml
  • itertag：设置开始迭代的节点
  • parse_node(self, response, selector)：在节点与所提供的标签名相符合的时候被调用，可进行信息的提取和处理操作
其他属性或方法 含义
namespaces 以列表形式存在，主要定义在文档中会被爬虫处理的可用命名空间
adapt_response(response) 主要在spider分析响应（Response）前被调用
process_results(response, results) 主要在spider返回结果时被调用，对结果在返回前进行最后处理

8）CSVFeedSpider

CSV：一种简单、通用的文件格式，其存储的数据可以与表格数据相互转化。最原始的形式是纯文本形式，列之间通过,间隔，行之间通过换行间隔。

# -*- coding: utf-8 -*-
from scrapy.spiders import CSVFeedSpiderclass MycsvSpider(CSVFeedSpider):name = 'mycsv'allowed_domains = ['iqianyue.com']start_urls = ['http://iqianyue.com/feed.csv']# headers = ['id', 'name', 'description', 'image_link']# delimiter = '\t'# Do any adaptations you need here#def adapt_response(self, response):#    return responsedef parse_row(self, response, row):i = {}#i['url'] = row['url']#i['name'] = row['name']#i['description'] = row['description']return i
  • headers：存放CSV文件包含的用于提取字段行信息的列表
  • delimiter：主要存放字段之间的间隔符，csv文件以,间隔
  • parse_row(self, response, row)：用于接收Response对象，并进行相应处理

9）CrawlSpider（自动爬取）

class MycrawlSpider(CrawlSpider):name = 'mycrawl'allowed_domains = ['sohu.com']start_urls = ['http://sohu.com/']# 自动爬取规则rules = (Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),)def parse_item(self, response):i = {}#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()#i['name'] = response.xpath('//div[@id="name"]').extract()#i['description'] = response.xpath('//div[@id="description"]').extract()return i
  • rules：设置自动爬取规则，规则Rule的参数如下：
  • LinkExtractor：链接提取器，用来提取页面中满足条件的链接，以供下次爬取使用，可设置的参数如下
参数名 含义
allow 提取符合对应正则表达式的链接
deny 不提取符合对应正则表达式的链接
restrict_xpaths 使用XPath表达式与allow共同作用，提取出同时符合两者的链接
allow_domains 允许提取的域名，该域名下的链接才可使用
deny_domains 禁止提取的域名，限制不提取该域名下的链接
  • callback='parse_item'：处理的回调方法
  • follow=True：是否跟进。CrawlSpider爬虫会根据链接提取器中设置的规则自动提取符合条件的网页链接，提取之后再自动的对这些链接进行爬取，形成循环，如果链接设置为跟进，则会一直循环下去，如果设置为不跟进，则第一次循环后就会断开。

10）避免爬虫被禁止（settings.py内设置）

  • 禁止Cookie：（应对通过用户Cookie信息对用户识别和分析的网站）
# Disable cookies (enabled by default)
COOKIES_ENABLED = False
  • 设置下载延时：（设置爬取的时间间隔，应对通过网页访问（爬取）频率进行分析的网站）
# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
  • IP池：（应对检验用户IP的网站）

在middlewares.py中或新创建一个Python文件中编写：

import random
from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddlewareclass IPPOOLS(HttpProxyMiddleware):myIPPOOL = ["183.151.144.46:8118","110.73.49.52:8123","123.55.2.126:808"]# process_request()方法，主要进行请求处理def process_request(self, request, spider):# 随机选择一个IPthisip = random.choice(self.myIPPOOL)# 将IP添加为具体代理，用该IP进行爬取request.meta["proxy"] = "http://" + thisip# 输出观察print('当前使用IP：%s' % request.meta["proxy"])

设置为默认下载中间件：

# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 123,# 格式：'下载中间件所在目录.下载中间件文件名.下载中间件内部要使用的类':数字（有规定）'myscrapy.middlewares.IPPOOLS': 125
}
  • 用户代理池

在middlewares.py中或新创建一个Python文件中编写：

import random
from scrapy.downloadermiddlewares.useragent import UserAgentMiddlewareclass UAPOOLS(UserAgentMiddleware):myUApool = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36",]def process_request(self, request, spider):thisUA = random.choice(self.myUApool)request.headers.setdefault('User-Agent', thisUA)print("当前使用UA: %s" % thisUA)

设置为默认下载中间件：

# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {'myscrapy.middlewares.UAPOOLS': 1,'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 2,
}

（4）Scrapy核心框架

  • Scrapy引擎：框架核心，控制整个数据处理流程，以及触发一些事务处理。
  • 调度器：存储待爬取的网址，并确定网址优先级，同时会过滤一些重复的网址。
  • 下载器：对网页资源进行高速下载，然后将这些数据传递给Scrapy引擎，再由引擎传递给爬虫进行处理。
  • 下载中间件：下载器与引擎间的特殊组件，处理其之间的通信。
  • 爬虫：接收并分析处理引擎的Response响应，提取所需数据。
  • 爬虫中间件：爬虫与引擎间的特殊组件，处理其之间的通信。
  • 实体管道：接收爬虫组件中提取的数据，如：清洗、验证、存储至数据库等

（5）Scrapy输出与存储

1）中文存储

setting.py设置pipelines

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'myscrapy.pipelines.MyscrapyPipeline': 300,
}

import codecs
class MyscrapyPipeline(object):def __init__(self):# 以写入的方式创建或打开要存入数据的文件self.file = codecs.open('E:/xxx/mydata.txt','wb',encoding="utf-8")# 主要处理方法，默认自动调用def process_item(self, item, spider):content = str(item) + '\n'self.file.write(content)return item# 关闭爬虫时调用def close_spider(self, spider):self.file.close()

注意：要想执行process_item()，爬虫文件parse()方法中必须返回item：yield item

2）Json输出

import codecs
import json
class MyscrapyPipeline(object):def __init__(self):print("创建pip")# 以写入的方式创建或打开要存入数据的文件self.file = codecs.open('E:/PycharmProjects/untitled/myscrapy/data/mydata.txt','wb',encoding="utf-8")def process_item(self, item, spider):js = json.dumps(dict(item), ensure_ascii=False)content = js + '\n'self.file.write(content)return item# 关闭爬虫时调用def close_spider(self, spider):self.file.close()

注意：

  • 爬虫文件parse()方法中，由response.xpath("xxx/text()")返回的SelectorList 对象不能转换为Json类型，需要response.xpath("xxx/text()").extract()转化为字符串列表类型才可转化为Json类型。
  • json.dumps(dict(item), ensure_ascii=False)：进行json.dumps()序列化时，中文信息默认使用ASCII编码，当设定不使用ASCII编码时，中文信息就可以正常显示

3）数据库操作

  • 安装：pip install pymysql3
  • 导入：import pymysql
  • 链接MySQL：
    conn = pymysql.connect(host="主机名", user="账号", passwd="密码"[, db="数据库名"])
  • SQL语句执行：
    conn.query("SQL语句")
  • 查看表内容：
# cursor()创建游标
cs = conn.cursor()
# execute()执行对应select语句
cs.execute("select * from mytb")
# 遍历
for i in cs:print("当前是第"+str(cs.rownumber)+"行")print(i[x])

四、Scrapy文档实例

（1）循环爬取http://quotes.toscrape.com/网站

import scrapy
class MyxpathSpider(scrapy.Spider):name = 'myxpath'allowed_domains = ['toscrape.com']start_urls = ['http://quotes.toscrape.com/']def parse(self, response):for quote in response.css('div.quote'):yield {'text': quote.css('span.text::text').extract_first(),'author': quote.xpath('span/small/text()').extract_first(),}next_page = response.css('li.next a::attr("href")').extract_first()if next_page is not None:yield response.follow(next_page, self.parse)

循环爬取时，注意循环的下个网页需在allowed_domains域名下，否则会被过滤，从而无法循环

Reference:
Links：https://www.jianshu.com/p/3036689e613f
Source：简书

Python爬虫小结（转）相关推荐

  1. Python爬虫小结

    有些数据是没有专门的数据集的,为了找到神经网络训练的数据,自然而然的想到了用爬虫的方法开始采集数据.一开始采用了网上的一个动态爬虫的代码,发现爬取的图片大多是重复的,有效图片很少. 动态爬虫: fro ...

  2. 《Python爬虫开发与项目实战》——1.6　小结

    本节书摘来自华章计算机<Python爬虫开发与项目实战>一书中的第1章,第1.6节,作者:范传辉著,更多章节内容可以访问云栖社区"华章计算机"公众号查看 1.6 小结 ...

  3. python3爬虫入门实例_10个python爬虫入门实例(小结)

    昨天带伙伴萌学习python爬虫,准备了几个简单的入门实例 涉及主要知识点: web是如何交互的 requests库的get.post函数的应用 response对象的相关函数,属性 python文件 ...

  4. Python爬虫入门（爬取豆瓣电影信息小结）

    Python爬虫入门(爬取豆瓣电影信息小结) 1.爬虫概念 网络爬虫,是一种按照一定规则,自动抓取互联网信息的程序或脚本.爬虫的本质是模拟浏览器打开网页,获取网页中我们想要的那部分数据. 2.基本流程 ...

  5. python入门爬虫案例_10个python爬虫入门实例(小结)

    昨天带伙伴萌学习python爬虫,准备了几个简单的入门实例 涉及主要知识点: web是如何交互的 requests库的get.post函数的应用 response对象的相关函数,属性 python文件 ...

  6. python爬虫知乎点赞_Python爬虫爬取知乎小结

    最近学习了一点网络爬虫,并实现了使用Python来爬取知乎的一些功能,这里做一个小的总结.网络爬虫是指通过一定的规则自动的从网上抓取一些信息的程序或脚本.我们知道机器学习和数据挖掘等都是从大量的数据出 ...

  7. Python爬虫-爬取知乎（小结）

    本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于腾讯云 作者:小小科 ( 想要学习Python?Python学习交流 ...

  8. 玩转 Python 爬虫，需要先知道这些

    作者 | 叶庭云 来源 | 修炼Python 头图 | 下载于视觉中国 爬虫基本原理 1. URI 和 URL URI 的全称为 Uniform Resource Identifier,即统一资源标志 ...

  9. python爬虫怎么爬同一个网站的多页数据-如何用Python爬数据？（一）网页抓取

    如何用Python爬数据?(一)网页抓取 你期待已久的Python网络数据爬虫教程来了.本文为你演示如何从网页里找到感兴趣的链接和说明文字,抓取并存储到Excel. 需求 我在公众号后台,经常可以收到 ...

最新文章

  1. springboot添加多数据源连接池并配置Mybatis
  2. asp.net mvc 简易上传功能
  3. c# 服务器性能监控,C#服务器性能监控之WMI的代码示例详解
  4. ​GB28181心跳机制探讨和技术实现
  5. MySQl中文1001无标题_Mysql中字段类型不一致导致索引无效的处理办法
  6. python类的实例方法必须创建对象后_Python3 类方法，实例方法，静态方法详解...
  7. 爷青结是什么意思，爷青回是什么意思，爷青结和爷青回是什么梗
  8. 花了 2 元，用 1 根网线发起攻击，控制上千人
  9. mysql能将查询结果与表左查询_mysql重点，表查询操作和多表查询
  10. 计算机第四次评估报告,建议置顶，天天那么多问计算机的。看看第四轮评估的结果。...
  11. CSS3 转换2D transform
  12. vsftp配置问题启示录
  13. 方正飞鸿智能信息平台产品白皮书（一）
  14. Oracle 创建表空间，创建表、数据增删改
  15. 面试题大全1-javaSE部分-JavaEE框架中间件
  16. 如何设置IDEA代码风格为Google风格，使用Google风格format
  17. 关于ant design table加scroll属性后列跟表头不对齐
  18. 【Unity3DRPG入门学习笔记第七卷】Cinemachine Post Processing 摄像机跟踪和后处理
  19. 关于无人机航线规划软件的使用说明
  20. 车道保持系统的基本功能和工作原理

热门文章

  1. ES6 Generator函数
  2. MySQL自动化安装脚本-python版
  3. php 扩展了imagick,PHP编程：PHP使用imagick扩展实现合并图像的方法
  4. 新星计划 Electron+vue2 桌面应用 2 搭建及运行
  5. Scanner.next()和Scanner.nextLine()的区别
  6. sql查询需要转换时间戳
  7. 【Miracl密码库】miracl密码库相关应用整理合集
  8. java配置odbc数据源,ODBC 常见数据源配置整理
  9. Python《成功破解简单的 动态加载 的爬虫》
  10. A股公司基本面数据API接口（JSON标准格式，Get请求方式）