网络爬虫之scrapy框架详解

发布日期:2019-07-24

twisted介绍

Twisted是用Python实现的基于事件驱动的网络引擎框架,scrapy正是依赖于twisted,

从而基于事件循环机制实现爬虫的并发。

scrapy的pipeline文件和items文件

这两个文件有什么作用

先看看我们上篇的示例:

# -*- coding: utf-8 -*-import scrapy class ChoutiSpider(scrapy.Spider): """ 爬去抽屉网的帖子信息 """ name = "chouti" allowed_domains = ["chouti.com"] start_urls = ["http://chouti.com/"] def parse(self, response): # 获取帖子列表的父级div content_div = response.xpath("//div[@id="content-list"]") # 获取帖子item的列表 items_list = content_div.xpath(".//div[@]") # 打开一个文件句柄,目的是为了将获取的东西写入文件 with open("articles.log","a+",encoding="utf-8") as f: # 循环item_list for item in items_list: # 获取每个item的第一个a标签的文本和url链接 text = item.xpath(".//a/text()").extract_first() href = item.xpath(".//a/@href").extract_first() # print(href, text.strip()) # print("-"*100) f.write(href+"") f.write(text.strip()+"") f.write("-"*100+"") # 获取分页的页码,然后让程序循环爬去每个链接 # 页码标签对象列表 page_list = response.xpath("//div[@id="dig_lcpage"]") # 循环列表 for page in page_list: # 获取每个标签下的a标签的url,即每页的链接 page_a_url = page.xpath(".//a/@href").extract() # 将域名和url拼接起来 page_url = "https://dig.chouti.com" + page_a_url # 重要的一步!!!! # 导入Request模块,然后实例化一个Request对象,然后yield它 # 就会自动执行Request对象的callback方法,爬去的是url参数中的链接 from scrapy.http import Request yield Request(url=page_url,callback=self.parse)

  在这个示例中,虽然我们已经通过chouti.py一个文件中的parse方法实现了爬去抽屉网的新闻并将之保存在文件中的功能,

但是我们会发现有两个问题:

1、在循环爬去每一页的时候,每次都需要重新打开然后再关闭文件,如果数据量庞大的话,这对性能有很大的影响。

2、我们将解析和数据持久化都放在了同一个文件的同一个方法中,没有做到分工明确

如果要解决这两个问题,则需要用到scrapy自动为我们生成的pipeline文件和items文件

这两个文件怎么用

如果我们要使用这两个文件从而解决问题,则需要有四部操作:

a.编写pipeline文件中的类,格式如下:

class XXXPipeline(object):def process_item(self, item, spider):return item

b.编写items文件中的类,格式如下:

class XXXItem(scrapy.Item):href = scrapy.Field()title = scrapy.Field()

c.配置settings文件

ITEM_PIPELINES = { "xxx.pipelines.XXXPipeline": 300, # "xxx.pipelines.XXXPipeline2": 600, # 后面的数字为优先级,数字越大,优先级月底}

d.在parse方法中yield一个Item对象

from xxx.items import XXXItemdef parse(self, response): ... yield XXXItem(text=text,href=href)

执行流程为:

当我们在执行爬虫中的parse方法的时候,scrapy一旦解析到有yield XXXitem的语句,就会到配置文件中找

ITEM_PIPELINES的配置项,进而找到XXXPipeline类,然后执行其中的方法,我们就可以在方法中做很多操作

当然,pipeline中不止process_item一个方法。

Pipeline中的方法详解

class FilePipeline(object):def __init__(self,path):self.f = Noneself.path = path@classmethoddef from_crawler(cls, crawler):"""初始化时候,用于创建pipeline对象:param crawler::return:""" # 从配置文件中获取配置好的文件存放目录path = crawler.settings.get("HREF_FILE_PATH")return cls(path)def open_spider(self,spider):"""爬虫开始执行时,调用:param spider::return:"""self.f = open(self.path,"a+")def process_item(self, item, spider):# 在这里做持久化self.f.write(item["href"]+"")return item # 交给下一个pipeline的process_item方法# raise DropItem()# 如果写上这一句,后续的 pipeline的process_item方法不再执行def close_spider(self,spider):"""爬虫关闭时,被调用:param spider::return:"""self.f.close()

去重

scrapy内部实现的去重

从上一篇的例子我们可以看出,其实scrapy内部在循环爬去页码的时候,已经帮我们做了去重功能的,

因为我们在首页可以看到1,2,3,4,5,6,7,8,9,10页的页码以及连接,当爬虫爬到第二页的时候,

还是可以看到这10个页面及连接,然后它并没有再重新把第一页爬一遍。

它内部实现去重的原理是,将已爬去的网址存入一个set集合里,每次爬取新页面的时候就先看一下是否在集合里面

如果在,就不再爬去,如果不在就爬取,然后再添加入到set里。当然,这个集合存放的不是原网址,

而是将链接通过request_fingerprint()方法将它变成一个类似于md5的值,这样可以节省存储空间

自定义去重

虽然scrapy已经帮我们实现了去重,但是有时候不足以满足我们的需求,这样就需要我们自定义去重了

自定义去重分两步

1、编写DupeFilter类

from scrapy.dupefilter import BaseDupeFilterfrom scrapy.utils.request import request_fingerprintclass XXXDupeFilter(BaseDupeFilter):def __init__(self):"""初始化一个集合,用来存放爬去过的网址"""self.visited_fd = set()@classmethoddef from_settings(cls, settings):"""如果我们自定义了DupeFilter类并且重写了父类的该方法,scrapy会首先执行该方法,获取DupeFilter对象,如果没有定义,则会执行init方法来获取对象"""return cls()def request_seen(self, request):"""在此方法中做操作,判断以及添加网址到set里"""# 将request里的url转换下,然后判断是否在set里fd = request_fingerprint(request=request)# 循环set集合,如果已经在集合里,则返回True,爬虫将不会继续爬取该网址if fd in self.visited_fd:return Trueself.visited_fd.add(fd)def open(self): # can return deferred"""开始前执行此方法"""print("开始")def close(self, reason): # can return a deferred"""结束后执行此方法"""print("结束")def log(self, request, spider): # log that a request has been filtered"""在此方法中可以做日志操作""" print("日志")

2.配置settings文件

# 修改默认的去重规则# DUPEFILTER_CLASS = "scrapy.dupefilter.RFPDupeFilter"DUPEFILTER_CLASS = "xxx.dupefilters.XXXDupeFilter"

深度

深度就是爬虫所要爬取的层级

限制深度只需要配置一下即可

# 限制深度DEPTH_LIMIT = 3

cookie

获取上一次请求之后获得的cookie

from scrapy.http.cookies import CookieJarclass ChoutiSpider(scrapy.Spider): name = "chouti" allowed_domains = ["chouti.com"] start_urls = ["https://dig.chouti.com/"] cookie_dict = {} def parse(self, response): # 去响应头中获取cookie,cookie保存在cookie_jar对象 cookie_jar = CookieJar() cookie_jar.extract_cookies(response, response.request) # 去对象中将cookie解析到字典 for k, v in cookie_jar._cookies.items(): for i, j in v.items(): for m, n in j.items(): self.cookie_dict[m] = n.value

再次请求的时候携带cookie

yield Request( url="https://dig.chouti.com/login", method="POST", body="phone=861300000000&password=12345678&oneMonth=1",# cookies=self.cookie_dict, headers={ "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8" }, callback=self.check_login )