Python scrapy爬取带验证码的列表数据
首先所需要的环境:(我用的是Python2的,可以选择python3,具体遇到的问题自行解决,目前我这边几百万的数据量爬取)
环境: Python 2.7.10
Scrapy Scrapy 1.5.0
第三方库:
PyMySQL==0.8.0
Scrapy==1.5.0
pytesseract==0.2.0
pip==10.0.1
Pillow==5.1.0
logger==1.4
bs4==0.0.1
requests==2.18.4 创建项目
scrapy startproject mytest
创建爬虫程序
cd mytest
scrapy genspider name XXX.com
直接贴代码具体需要注意的特殊颜色标出有注释
# -*- coding: utf-8 -*-
import scrapy
import pytesseract #验证码识别库
from PIL import Image #验证码图片处理
from scrapy.http import Request
from yishi.items import YishiItem #items定义爬取字段
from yishi.settings import MYSQL_HOST, MYSQL_DBNAME, MYSQL_USER, MYSQL_PASSWD #settings数据库配置
import pymysql #连接数据库
import logging #打印日志
#设置日志
log_filename = '../static/data/info.log'
logging.basicConfig(filename=log_filename, filemode='a', level=logging.INFO)
class CreditSpider(scrapy.Spider):
name = 'name'
baseURL = 'https://xxx.com'
#start_urls = ''
#设置headers,打开网页直接看请求headers复制进去就可以了
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Connection': 'keep-alive',
'Host': 'xxx',
'Upgrade-Insecure-Requests': 1,
'User-Agent': 'xxx',
}
#数据库
connect = pymysql.connect(
host=MYSQL_HOST,
db=MYSQL_DBNAME,
user=MYSQL_USER,
passwd=MYSQL_PASSWD,
charset='utf8',
use_unicode=True) #重写start_requests
def start_requests(self):
return [Request(self.baseURL+'xxx',
headers=self.headers,
callback=self.parse,
dont_filter=True, #scrapy会对request的URL去重(RFPDupeFilter),加上dont_filter则告诉它这个URL不参与去重
)
] #首先需要请求一次网页
def parse(self, response):
#每次查询1条数据,搜索列表所需要的条件
cursor = self.connect.cursor()
sql = 'select id,xxx,xxx,xxx from xxx where xxx order by id limit 1'
cursor.execute(sql)
res = cursor.fetchall()
if res:
#请求网站所需要的参数,搜索条件
data = {
"xxx": res[0][1],
"xxx": '',
"xxx": '',
"xxx": res[0][2],
"xxx": '',
"xxx": '',
"xxx": '',
}
cursor.close()
return scrapy.Request(self.baseURL + '/xxx/captcha', #验证码图片地址
headers=self.headers,
meta={'data': data, 'dr_id': res[0][0], 'static': res[0][3], 'len': len(res)}, #第一次请求的参数传给下次请求,可以保存cookie之类的
callback=self.creditRes,
dont_filter=True
)
else:
#数据表中条件没有的时候结束爬虫,每次爬取要更新下条件表
print '执行完毕!'
pass #再次请求存验证码图片
def creditRes(self, response):
#保存验证码
captchaFile = '../static/images/code/captcha.png'
with open(captchaFile, 'wb') as f:
f.write(response.body)
try:
#pytesseract识别验证码
image = Image.open(captchaFile)
captcha_value = pytesseract.image_to_string(image)
print '验证码为:'+captcha_value
except:
#验证码失败 重新请求
logging.info('验证码获取失败')
return self.start_urls
#识别后的验证码作为参数使用
data = response.meta.get("data")
data["validCode"] = captcha_value return [scrapy.FormRequest(
url=self.baseURL+'xxx', #带上全部参数再次请求取数据
formdata=data,
method='GET',
meta={'dr_id': response.meta.get("dr_id"), 'static': response.meta.get("static"), 'len': response.meta.get("len"),
'captcha_value': captcha_value}, #带上部分参数保存或更新状态用
headers=self.headers,
callback=self.creditdata,
dont_filter=True,
)] def creditdata(self, response):
#获取验证码错误内容,识别验证是否成功
code_data = response.xpath("//span[@class='error']")
if code_data:
code = code_data.xpath(".//text()").extract()[0].decode('UTF-8')
logging.info('验证码校验失败,验证码:'+str(response.meta.get("captcha_value")))
else:
code = ''
#验证码错误时不更新状态,继续重复爬取
dr_id = response.meta.get("dr_id")
#不存在验证码识别更新状态,插入数据
if code.strip() not in ('验证码错误', '验证码不能为空'):
cursor = self.connect.cursor()
sql = 'update xxx set status=%s where id=%s' % (1, dr_id)
cursor.execute(sql)
self.connect.commit()
cursor.close()
else:
#验证码失败不更新状态
logging.info('验证码错误') node_list = response.xpath("//table[@id='formresult']/tbody/tr")
# 更新状态 0还未抓取数据 1已经抓取
logging.info('当前执行条件表id为'+ str(dr_id))
if node_list:
for node in node_list:
item = YishiItem()
item['xxx'] = dr_id
item['xxx'] = node.xpath(".//td[1]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[2]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[3]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[4]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[5]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[6]/text()").extract()[0].decode('UTF-8')
item['xxx'] = node.xpath(".//td[7]/text()").extract()[0].decode('UTF-8')
yield item
#分页数据,根据下一页爬取,可获取下页按钮状态去爬取分页数据
nextPage = response.xpath("//a[@class='disable' and @class='next']")
if nextPage:
if not len(nextPage):
#下一页a标签url
url = response.xpath("//a[@class='disable' and @class='next']/@href").extract()[0]
yield scrapy.Request(self.baseURL+'/'+url, callback=self.creditdata) # 根据状态status=0判断是否继续爬取数据
len = response.meta.get("len")
if not len == 0:
yield scrapy.Request(self.baseURL+'xxx',
headers=self.headers,
callback=self.parse,
dont_filter=True) items设置:
xxx = scrapy.Field()
xxx = scrapy.Field()
... pipelines存数据库这个就不说了根据自己的业务
注:目前我网站验证码比较简单可以直接使用pytesseract,识别率95%以上,也可以用别的方式识别,验证码如:
参考:http://www.pythonsite.com/?p=358
个人感觉用requests.get() 方式写要简单一些,本地已测试过,
根据业务需求用scrapy完成的。
requests
.get()
主要问题就是
session = requests.session() 这句是重点,看不懂的可以加qq群公共学习
Python scrapy爬取带验证码的列表数据的更多相关文章
- python scrapy爬取HBS 汉堡南美航运公司柜号信息
下面分享个scrapy的例子 利用scrapy爬取HBS 船公司柜号信息 1.前期准备 查询提单号下的柜号有哪些,主要是在下面的网站上,输入提单号,然后点击查询 https://www.hamburg ...
- Python——Scrapy爬取链家网站所有房源信息
用scrapy爬取链家全国以上房源分类的信息: 路径: items.py # -*- coding: utf-8 -*- # Define here the models for your scrap ...
- python爬虫爬取get请求的页面数据代码样例
废话不多说,上代码 #!/usr/bin/env python # -*- coding:utf-8 -*- # 导包 import urllib.request import urllib.pars ...
- 使用python scrapy爬取知乎提问信息
前文介绍了python的scrapy爬虫框架和登录知乎的方法. 这里介绍如何爬取知乎的问题信息,并保存到mysql数据库中. 首先,看一下我要爬取哪些内容: 如下图所示,我要爬取一个问题的6个信息: ...
- Python Scrapy 爬取煎蛋网妹子图实例(一)
前面介绍了爬虫框架的一个实例,那个比较简单,这里在介绍一个实例 爬取 煎蛋网 妹子图,遗憾的是 上周煎蛋网还有妹子图了,但是这周妹子图变成了 随手拍, 不过没关系,我们爬图的目的是为了加强实战应用,管 ...
- python scrapy 爬取西刺代理ip(一基础篇)(ubuntu环境下) -赖大大
第一步:环境搭建 1.python2 或 python3 2.用pip安装下载scrapy框架 具体就自行百度了,主要内容不是在这. 第二步:创建scrapy(简单介绍) 1.Creating a p ...
- python scrapy爬取知乎问题和收藏夹下所有答案的内容和图片
上文介绍了爬取知乎问题信息的整个过程,这里介绍下爬取问题下所有答案的内容和图片,大致过程相同,部分核心代码不同. 爬取一个问题的所有内容流程大致如下: 一个问题url 请求url,获取问题下的答案个数 ...
- Python Scrapy 爬取煎蛋网妹子图实例(二)
上篇已经介绍了 图片的爬取,后来觉得不太好,每次爬取的图片 都在一个文件下,不方便区分,且数据库中没有爬取的时间标识,不方便后续查看 数据时何时爬取的,所以这里进行了局部修改 修改一:修改爬虫执行方式 ...
- python+scrapy 爬取西刺代理ip(一)
转自:https://www.cnblogs.com/lyc642983907/p/10739577.html 第一步:环境搭建 1.python2 或 python3 2.用pip安装下载scrap ...
随机推荐
- Tomcat不加项目名称访问设置
一.Tomcat不加项目名称访问设置 一.方法一:修改配置文件server.xml 1.修改配置文件server.xml <Host appBase="webapps" au ...
- Mysql导入表信息[Err] 1067 - Invalid default value for '字段名'
修改mysql配置文件 vi /etc/my.cnf //添加以下配置 sql_mode=ONLY_FULL_GROUP_BY,STRICT_TRANS_TABLES,ERROR_FOR_DIVISI ...
- 深入理解Java虚拟机5-chap7-斗者2星
一.类加载机制 1.类加载机制:虚拟机把描述类的数据从Class文件加载到内存,并对数据进行校验.转换解析和初始化,最终形成可以被虚拟机直接使用的Class文件加载到内存,这就是类加载机制. 2.类型 ...
- VC++运行库 集32位/64位整合版
运行程序时,win7/win10(x86和x64)常会遇到缺少什么缺少msvc***.dll问题 安装下面链接提供的程序,安装后,便可解决. [2016-10-10]Microsoft Visual ...
- OOP面向对象编程(下)
我们怎么去模拟重载,在javasceipr中我们可以通过参数的类型区别或者数量的区别,来去让同样一个函数名字,可以根据不同的参数列表的情况来去调用相应的函数. javascript中函数类型是不确定的 ...
- 19 Python标准异常总结 (转)
Python标准异常总结 AssertionError 断言语句(assert)失败 AttributeError 尝试访问未知的对象属性 EOFError 用户输入文件末尾标志EOF(Ctrl+d) ...
- 【转】Jira插件安装
一.Jira插件列表(可以将下面免费插件直接下载,然后登陆jira,在"插件管理"->"上传插件",将下载后的免费插件直接进行上传安装即可) 序号 插件名 ...
- Oarcle 入门之like关键字
like关键字 模糊查询,有两个特殊的符号"%" ,"_" “%”表示匹配零个或若干字符 放哪边就表示哪边有零到若干个未知符号,其作用起到占位符的效果. “_” ...
- 《CSS世界》读书笔记(三) --width:auto
<!-- <CSS世界> 张鑫旭著 --> width:auto width:auto至少包含了以下4种不同的宽度表现: 充分可利用空间.比方说,<div>.&l ...
- java 常用的异常处理
在Java中异常被当做对象来处理,根类是java.lang.Throwable类,在Java中定义了很多异常类(如OutOfMemoryError.NullPointerException.Index ...