一。数据存储到mongodb

  爬取的数据如果需要存储到mongodb中,要通过item,定义一个存储类。再yield一个类。

  数据存储的时候需要进过pipelines,再到setting中配置。

from pymongo import MongoClient
class ArticleMongodbPipeline(object):
def process_item(self, item, spider): # client = MongoClient('mongodb://localhost:27017/')
#连接
client = MongoClient('localhost', 27017)
#创建article数据库,如果没有叫创建,如果有,叫使用
db = client['article']
# print(db)
#如果有使用articleinfo,如果没有,创建这个表
article_info=db['articleinfo'] article_info.insert(dict(item))
# article_info.save({'article_name':item['article_name'],'aritcle_url':item['article_url']})
# 如果retrun None ,下一个就取不到item了,取到的就是None

数据库使用

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import ArticleItem
from scrapy import Request
from scrapy.core.scheduler import Scheduler
from scrapy.dupefilters import RFPDupeFilter
class CnblogsSpider(scrapy.Spider):
name = 'cnblogs' #爬虫名,必须唯一
allowed_domains = ['cnblogs.com'] #允许的域名,
start_urls = ['https://www.cnblogs.com/'] #起始的url
custom_settings={"BB":"xxxxx"}
#深度优先,广度优先
#爬虫去重:好多策略
#爬虫起始入口 start_requests
# def parse_detail(self,response):
# print(len(response.text)) # def parse(self, response):
# div_list=response.css('.post_item')
# for div in div_list:
# url=div.css('.post_item_body a::attr(href)').extract_first()
# article_name=div.css('.titlelnk::text').extract_first()
# auther_name=div.css('.post_item_foot a::text').extract_first()
# commit_count=div.css('.post_item_foot span a::text').extract_first()
# article_item=ArticleItem()
# #把地址存入数据库,yield item对象
# article_item['article_name']=article_name
# article_item['article_url']=url
# article_item['auther_name']=auther_name
# article_item['commit_count']=commit_count
# yield article_item
#
# next_url=response.css('.pager a:last-child::attr(href)').extract_first()
# print('https://www.cnblogs.com'+next_url)
# #dont_filter=True 表示不去重,默认去重
# yield Request('https://www.cnblogs.com'+next_url,dont_filter=True,cookies={'name':'xxx'})
def parse(self, response):
print(response)
# print(response.url)
# print(response.status)
# print(response.body)
# obj=Request('https://www.cnblogs.com' + next_url, dont_filter=True, cookies={'name': 'xxx'})
# obj.meta["aa"]="aa"
# yield obj
# yield [Request,Request]
yield Request('https://www.cnblogs.com')

spiders层

  如果用户需要存储到其他地方,只要再配置文件中继续配置,并将类写成如下规定,

class ArticleFilePipeline(object):
# def __init__(self,host,port):
def __init__(self):
# self.mongo_conn=MongoClient(host,port)
pass #如果这个类中有from_crawler,首先会执行from_crawler,aa=ArticleFilePipeline.from_crawler(crawler)
#如果没有直接aa=ArticleFilePipeline()
@classmethod
def from_crawler(cls, crawler):
print('有')
#mongodb的配置信息在setting中
# host = '从配置文件中拿出来的'
# port='从配置文件中拿出来的'
#crawler.settings总的配置文件
print('asdfasdfasfdasfd',crawler.settings['AA'])
# return cls(host,port)
return cls() def open_spider(self, spider):
# print('----',spider.custom_settings['AA'])
self.f = open('article.txt','a') def close_spider(self, spider):
self.f.close()
print('close spider')

自定义

  setting配置:

ITEM_PIPELINES = {
'myscrapy.pipelines.ArticleMongodbPipeline': 300, #数字越小越先执行
'myscrapy.pipelines.ArticleFilePipeline': 100,
}

二。去重。

  scrapy中的去重方式RFPDupeFilter是将url进行排序,再获取md5,保证长度,最后每有一个请求就和这个集合进行对比。

  setting配置:

DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter' #默认的去重规则帮我们去重,去重规则在内存中

  自定义去重

from scrapy.dupefilters import  BaseDupeFilter
#自己定制去重方案
class MyDupeFilter(BaseDupeFilter):
"""Request Fingerprint duplicates filter""" def __init__(self, path=None, debug=False):
self.aa=set() def request_seen(self, request):
if request.url in self.aa:
return True def close(self, reason):
if self.file:
self.file.close() def log(self, request, spider):
if self.debug:
msg = "Filtered duplicate request: %(request)s (referer: %(referer)s)"
args = {'request': request, 'referer': referer_str(request) }
self.logger.debug(msg, args, extra={'spider': spider})
elif self.logdupes:
msg = ("Filtered duplicate request: %(request)s"
" - no more duplicates will be shown"
" (see DUPEFILTER_DEBUG to show all duplicates)")
self.logger.debug(msg, {'request': request}, extra={'spider': spider})
self.logdupes = False spider.crawler.stats.inc_value('dupefilter/filtered', spider=spider)

编写去重类

  再setting中配置。

  其他去重方法亦可以通过redis进行,或者布隆过滤器(比特位去重)

三。下载中间件

  中间件可以拦截各种请求,需要再setting中配置

class MyscrapyDownloaderMiddleware(object):
@classmethod
def from_crawler(cls, crawler):
s = cls()
return s def process_request(self, request, spider): print('来了')
print(request.url) #headers可以改
print(request.headers)
#从cookie池中取出cookie赋值进去
print(request.cookies)
#使用代理
# request.meta['download_timeout'] = 20
# request.meta["proxy"] = 'http://192.168.1.1:7878'
# print(request)
# print(spider)
# 返回值:None,Request对象,Response对象
#None 继续走下一个下载中间件
#Response 直接返回,进入spider中做解析
#Request 回到调度器,重新被调度
#可以使用selenium
return HtmlResponse(url="www.baidu.com", status=200, body=b'sdfasdfasfdasdfasf') def process_response(self, request, response, spider):
print('走了')
print(request)
print(spider)
print(type(response))
return response def process_exception(self, request, exception, spider):
print('代理%s,访问%s出现异常:%s' % (request.meta['proxy'], request.url, exception))
import time
time.sleep(5)
#删除代理
# delete_proxy(request.meta['proxy'].split("//")[-1])
#重新获取代理,放进去
# request.meta['proxy'] = 'http://' + get_proxy()
#return request 会放到调度器重新调度
return request def spider_opened(self, spider):
spider.logger.info('Spider opened: %s' % spider.name)

  其中request是任务来时做的动作。respons是任务走是做的动作,

  可以再cookies中设置代理(meta)和cookies池(cookies)

  再spriders中返回的parse中的request中添加对象,就会在下载中间件中的request中获取。

  return None,Response,Resquest

四。爬虫中间件

  

#自己写爬虫中间件
class MyscrapySpiderMiddleware(object): @classmethod
def from_crawler(cls, crawler):
# This method is used by Scrapy to create your spiders.
s = cls()
crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
return s def process_spider_input(self, response, spider):
print('我进爬虫的解析')
return None def process_spider_output(self, response, result, spider):
print("我往外走")
for i in result:
yield i def process_spider_exception(self, response, exception, spider): pass def process_start_requests(self, start_requests, spider):
print("process_start_requests")
for r in start_requests:
yield r def spider_opened(self, spider):
print("spider_opened")
spider.logger.info('Spider opened: %s' % spider.name)

五。信号

  信号与django中的信号差不多,大体步骤如下:

  1.写一个类:class MyExtension(object):

  2.在from_crawler绑定一些信号  

  3.当scrapy执行到信号执行点的时候,会自动触发这些函数

  4.在setting中配置

  EXTENSIONS = {
'extentions.MyExtension': 100,
}

  

from scrapy import signals

class MyExtension(object):

    @classmethod
def from_crawler(cls, crawler):
# val = crawler.settings.getint('MMMM')
obj = cls() crawler.signals.connect(obj.spider_opened, signal=signals.spider_opened)
crawler.signals.connect(obj.spider_closed, signal=signals.spider_closed) return obj def spider_opened(self, spider):
print('=============>open') def spider_closed(self, spider):
print('=============>close')

例子

六。哈希

  哈希就是一个字典。

  当数据进行存储的时候,就为其标记一个记号,放入链表中,当发送哈希冲突的时候,就将该点存储的数据变成一个地址,地址指向另一个列表。

  布隆过滤器。

  当访问不存在数据频繁的时候,redis就有可能被击穿,被击穿后就回直接访问数据库。

  所以,使用过滤器事先判断数据是否有,如果没有直接返回。

  redis自带布隆过滤器。

七。分布式爬虫。

  分布式爬虫的基本原理就是同一调度统一去重。分布到不同的机器上爬虫。

  安装:

pip3 install scrapy-redis

  1.设置setting中的调度器:

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

  2.设置去重规则:

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

  3.配置指定的持久化类:

ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 300
}

  4.在爬虫类中,继承RedisSpider,把start_url去掉,新增:redis_key = 'cnblogs:start_urls'。

  cnblogs和输入到redis中有关。

  5.启动项目,redis中发送爬虫指令

-lpush cnblogs:start_urls https://www.cnblogs.com

  源码组成:

-connection.py redis的连接
-defaults.py 配置文件
-dupefilter.py 去重规则
-picklecompat.py 序列化相关
-pipelines.py 持久化
-queue.py 队列
-scheduler.py 调度器
-spiders.py 爬虫相关
-utils.py py2和py3兼容的

  

day97_11_29的更多相关文章

随机推荐

  1. 【JS】324- JS中的内存管理(中高级前端必备)

    前言 像C语言这样的底层语言一般都有底层的内存管理接口,比如 malloc()和free()用于分配内存和释放内存.而对于JavaScript来说,会在创建变量(对象,字符串等)时分配内存,并且在不再 ...

  2. 【HTTP】HTTP 的15个常见知识点复习

    前言 自从入职新公司到现在,我们前端团队内部一直在做 ?每周一练 的知识复习计划,我之前整理了一个 每周一练 之 数据结构与算法 学习内容,大家也快去看看~~ 最近三周,主要复习 网络基础 相关的知识 ...

  3. Hadoop相关问题解决

    Hadoop相关问题解决 Hive 1.查询hivemeta信息,查到的numRows为-1 集群厂商 集群版本 是否高可用 是否开启认证 cdh 不限 不限 不限 在hivemeta库中可以通过以下 ...

  4. 【Jackson】使用学习

    Jackson学习 文档:http://tutorials.jenkov.com/java-json/index.html https://github.com/FasterXML/jackson/w ...

  5. 3年Java开发6个点搞定高并发系统面试疑惑

    前言 其实所谓的高并发,如果你要理解这个问题呢,其实就得从高并发的根源出发,为啥会有高并发?为啥高并发就很牛逼? 说的浅显一点,很简单,就是因为刚开始系统都是连接数据库的,但是要知道数据库支撑到每秒并 ...

  6. 建议3:正确处理Javascript特殊值---(1)正确使用NaN和Infinity

    NaN时IEEE 754中定义的一个特殊的数量值.他不表示一个数字,尽管下面的表达式返回的是true typeof(NaN) === 'number' //true 该值可能会在试图将非数字形式的字符 ...

  7. Vue.js 一问一答

    Vue.js 一问一答 记录一下在学习 Vue 过程中给自己问的一些问题,持续更新中... Vue.js 的核心是什么? 官网:Vue.js 的核心是一个允许采用简洁的模板语法来声明式的将数据渲染进 ...

  8. Caffe源码-SyncedMemory类

    SyncedMemory类简介 最近在阅读caffe源码,代码来自BVLC/caffe,基本是参照网络上比较推荐的 Blob-->Layer-->Net-->Solver 的顺序来分 ...

  9. HttpRunner学习9--切换测试报告模板

    前言 在HttpRunner中,给我们提供了 2 套测试报告模板,分别是 default_report_template.html 和 extent_report_template.html . 默认 ...

  10. C#线程学习笔记八:async & await入门一

    一.涉及内容 async & await是C# 5.0引入的,控制台输出所使用的$符号(拼接字符串)是C# 6.0引入的,其功能类似于string.Format()方法. 二.多线程.异步.同 ...