day97_11_29
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
- 大数据学习笔记——HDFS写入过程源码分析(1)
HDFS写入过程方法调用逻辑 & 源码注释解读 前一篇介绍HDFS模块的博客中,我们重点从实践角度介绍了各种API如何使用以及IDEA的基本安装和配置步骤,而从这一篇开始,将会正式整理HDFS ...
- leetcode-164、最大间距
export default (arr) => { // 如果数组长度小于2返回0 if (arr.length < 2) { return 0 } // 排序 arr.sort() // ...
- Java Properties 加载
static{ Properties prop = new Properties(); prop.load(Thread.currentThread().getContextClassLoader() ...
- 使用vsCode配合IAR搭建arm开发环境
众所周知IAR的编辑功能就是个垃圾,但是不得不承认IAR的编译器相当的牛X,经常以稳定可靠而著称,为此我们把VSCODE强大的编辑功能和IAR结合一下来加快我们的开发周期. 一.下载VSCODE并安装 ...
- 关于HPS和FPGA之间的桥接学习笔记一
为了实现FPGA和HPS之间的存储器共享和数据传输,Altera SoC FPGA提供了两种方式用于FPGA和HPS通信.分别是FPGA to SDRAM和AXI bridge. FPGA to SD ...
- hdu 6301 Distinct Values (贪心)
Distinct Values Time Limit: 4000/2000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)T ...
- django基础之day09,多对多创建数据表的三种方式
多对多三种创建方式 1.全自动(用在表关系不复杂的一般情况) class Book(models.Model): title=models.CharField(max_length=32) 多对多关系 ...
- java8-详解Lamda表达式
一回顾与说明 通过之前发布的"Java8Lamda和Stream原理引入"一文章中你已经了解了为什么会有Lamda表达式的由来,Lamda表达式的基本语法等:Lamda表达 ...
- ajax request 等请求的数据直接return
- 从AlexNet(2012)开始
目录 写在前面 网络结构 创新点 其他有意思的点 参考 博客:blog.shinelee.me | 博客园 | CSDN 写在前面 本文重点在于回顾深度神经网络在CV领域的First Blood--A ...