Scrapy

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件:

    • 引擎(Scrapy)
      用来处理整个系统的数据流处理, 触发事务(框架核心)
    • 调度器(Scheduler)
      用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
    • 下载器(Downloader)
      用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
    • 爬虫(Spiders)
      爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
    • 项目管道(Pipeline)
      负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
    • 下载器中间件(Downloader Middlewares)
      位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
    • 爬虫中间件(Spider Middlewares)
      介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
    • 调度中间件(Scheduler Middewares)
      介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下:

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来,并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体(Item),则交给实体管道进行进一步的处理
  6. 解析出的是链接(URL),则把URL交给调度器等待抓取

一、安装

Linux:

  1. pip3 install scrapy

Windows:

  1. a. pip3 install wheel
  2. b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
  3. c. 进入下载目录,执行 pip3 install Twisted17.1.‑cp35cp35mwin_amd64.whl
  4. d. pip3 install scrapy
  5. e. 下载并安装pywin32https://sourceforge.net/projects/pywin32/files/

二、基本使用

1、创建项目

  1. scrapy startproject 项目名称
  2. - 在当前目录中创建中创建一个项目文件(类似于Django
  3.  
  4. scrapy genspider [-t template] <name> <domain>
  5. - 穿件爬虫应用
  6. 如:scrapy gensipider -t basic oldboy oldboy.com
  7. scrapy gensipider -t xmlfeed autohome autohome.com.cn
  8.  
  9. 查看所有命令:scrapy gensipider -l
  10. 查看模板命令:scrapy gensipider -d 模板名称
  11.  
  12. scrapy list
  13. - 展示爬虫应用列表
  14.  
  15. scrapy crawl 爬虫应用名称
  16. - 运行单独爬虫应用

创建实例:

  1. 创建项目
  2. shuais-MacBook-Pro:~ dandyzhang$ scrapy startproject scrapy_test
  3.  
  4. New Scrapy project 'scrapy_test', using template directory '/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/scrapy/templates/project', created in:
  5. /Users/dandyzhang/scrapy_test
  6.  
  7. You can start your first spider with:
  8. cd scrapy_test
  9. scrapy genspider example example.com
  10.  
  11. 进入创建的项目
  12. shuais-MacBook-Pro:~ dandyzhang$ cd scrapy_test/
  13.  
  14. 创建爬虫应用1
  15. shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider chouti chouti.com
  16.  
  17. Created spider 'chouti' using template 'basic' in module:
  18. scrapy_test.spiders.chouti
  19.  
  20. 创建爬虫应用2
  21. shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider cnblogs cnblogs.com
  22. Created spider 'cnblogs' using template 'basic' in module:
  23. scrapy_test.spiders.cnblogs

2、项目结构以及爬虫应用简介

上面的实例,创建好了一个完整的项目:

文件说明:

  • scrapy.cfg  项目的主配置信息。(真正爬虫相关的配置信息在settings.py文件中)
  • items.py    设置数据存储模板,用于结构化数据,如:Django的Model
  • pipelines    数据处理行为,如:一般结构化的数据持久化
  • settings.py 配置文件,如:递归的层数、并发数,延迟下载等
  • spiders      爬虫目录,如:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名

此时,发现之前根据命令创建了2个应用都存储在spiders文件夹内,现在以其中的chouti为例,来撰写第一个爬虫

  1. import scrapy
  2.  
  3. class ChoutiSpider(scrapy.Spider):
  4. name = 'chouti' # 外部scrapy调用的爬虫应用名称
  5. allowed_domains = ['chouti.com'] # 允许的域名
  6. start_urls = ['http://dig.chouti.com/'] # 起始url
  7.  
  8. def parse(self, response): # 访问起始url并获取结果后的回调函数
  9. print(response.text) # response就是返回结果

查看结果:

如果是window用户可能会遇到编码问题:

  1. import sys,os
  2. sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

3、小试牛刀

如上,需要在抽屉网中抓去热榜的所有标题,图中的框已经标好,从content-list入手,抓取每一个item中class为part2的share-title

  1. class ChoutiSpider(scrapy.Spider):
  2. name = 'chouti'
  3. allowed_domains = ['chouti.com']
  4. start_urls = ['http://dig.chouti.com/']
  5.  
  6. def parse(self, response):
  7. """
  8. 1.获取想要的内容
  9. 2.如果分页,继续下载内容
  10.  
  11. :param response:
  12. :return:
  13. """
  14. # 获取当前页的内容
  15. item_list = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]')
  16. # /子标签
  17. # //起始位置时,是在全局进行查找;非起始位置是在当前标签的子子孙孙内部找
  18. # ./当前对象下面找
  19.  
  20. # 获取index为0的对象中的第一个满足条件的文本
  21. # obj = item_list[0].xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract_first()
  22. obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract()
  23. print(obj_list) # 获取的结果是列表

如果抓取的是标签的内容而不是属性的话:

  1. obj = item_list[].xpath('./div[@class="news-content"]//div[@class="show-content"]/text()').extract()

执行命令:

  1. shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog

结果:

此时,如果分页内的也需要抓取呢?

首先,先获取以下分页内部的url:

  1. import scrapy
  2. from scrapy.selector import Selector, HtmlXPathSelector
  3. from scrapy.http import Request
  4.  
  5. class ChoutiSpider(scrapy.Spider):
  6. name = 'chouti'
  7. allowed_domains = ['chouti.com']
  8. start_urls = ['http://dig.chouti.com/']
  9.  
  10. def parse(self, response):
  11. """
  12. 1.获取想要的内容
  13. 2.如果分页,继续下载内容
  14.  
  15. :param response:
  16. :return:
  17. """
  18. url_list = Selector(response=response).xpath('//div[@id="dig_lcpage"]//a/@href').extract()
  19. print(url_list)

运行结果:

  1. shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog
  2. ['/all/hot/recent/2', '/all/hot/recent/3', '/all/hot/recent/4', '/all/hot/recent/5', '/all/hot/recent/6', '/all/hot/recent/7', '/all/hot/recent/8', '/all/hot/recent/9', '/all/hot/recent/10', '/all/hot/recent/2']

此时需要先拼接url,然后抓取数据:

  1. # -*- coding: utf-8 -*-
  2. import scrapy
  3. from scrapy.selector import Selector, HtmlXPathSelector
  4. from scrapy.http import Request # 这里导入了一个Request,用来迭代
  5.  
  6. class ChoutiSpider(scrapy.Spider):
  7. name = 'chouti'
  8. allowed_domains = ['chouti.com']
  9. start_urls = ['http://dig.chouti.com/']
  10.  
  11. def parse(self, response):
  12. """
  13. 1.获取想要的内容
  14. 2.如果分页,继续下载内容
  15.  
  16. :param response:
  17. :return:
  18. """
  19. item_list = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]')
  20.  
  21. obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract()
  22. print(obj_list)
  23.  
  24. url_list = Selector(response=response).xpath('//div[@id="dig_lcpage"]//a/@href').extract()
  25. for url in url_list:
  26. url = 'http://dig.chouti.com' + url
  27. yield Request(url=url) # 迭代处理

这里可以在settings配置文件内设置下钻的深度:

  1. DEPTH_LIMIT = 2

可以发现产生来了多个列表文件:

a、Request是一个封装用户请求的类,在回调函数中yield该对象表示继续访问

b、HtmlXpathSelector用于结构化HTML代码并提供选择器功能

4、选择器

  1. from scrapy.selector import Selector, HtmlXPathSelector # 一个是新版本,一个是旧版本,后面会被取消
  2. from scrapy.http import HtmlResponse
  3.  
  4. html = """<!DOCTYPE html>
  5. <html>
  6. <head lang="en">
  7. <meta charset="UTF-8">
  8. <title></title>
  9. </head>
  10. <body>
  11. <ul>
  12. <li class="item-"><a id='i1' href="link.html">first item</a></li>
  13. <li class="item-0"><a id='i2' href="llink.html">first item</a></li>
  14. <li class="item-1"><a href="llink2.html">second item<span>vv</span></a></li>
  15. </ul>
  16. <div><a href="llink2.html">second item</a></div>
  17. </body>
  18. </html>
  19. """
  20. response = HtmlResponse(url='http://example.com', body=html, encoding='utf-8')
  21. # hxs = HtmlXPathSelector(response) # 对象
  22. # print(hxs)
  23. # hxs = Selector(response=response).xpath('//a') # 取全局内所有a标签
  24. # print(hxs)
  25. # hxs = Selector(response=response).xpath('//a[2]') # 取全局内index为2的a标签
  26. # print(hxs)
  27. # hxs = Selector(response=response).xpath('//a[@id]') # 取全局所有有id属性的a标签
  28. # print(hxs)
  29. # hxs = Selector(response=response).xpath('//a[@id="i1"]') # 取全局所有id="i1"的a标签
  30. # print(hxs)
  31. # hxs = Selector(response=response).xpath('//a[@href="link.html"][@id="i1"]') # 取全局所有href为link.html并且id为i1的a标签
  32. # print(hxs)
  33. # hxs = Selector(response=response).xpath('//a[contains(@href, "link")]') # 取全局所有href有link字符串的a标签
  34. # print(hxs)
  35. # hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]') # 取全局所有href以link字符串开头的a标签
  36. # print(hxs)
  37. # hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]') # 正则 取全局所有a标签,id属性是i+数字的
  38. # print(hxs)
  39. # hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/text()').extract() # 正则 取全局所有a标签,id属性是i+数字的 内部的值
  40. # print(hxs)
  41. # hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/@href').extract() # 正则 取全局所有a标签,id属性是i+数字的 href属性值
  42. # print(hxs)
  43. # hxs = Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()
  44. # print(hxs)
  45. # hxs = Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()
  46. # print(hxs)
  47.  
  48. # ul_list = Selector(response=response).xpath('//body/ul/li')
  49. # for item in ul_list:
  50. # v = item.xpath('./a/span')
  51. # # 或
  52. # # v = item.xpath('a/span')
  53. # # 或
  54. # # v = item.xpath('*/a/span')
  55. # print(v)

抽屉点赞:

  1. import scrapy
  2. from scrapy.selector import HtmlXPathSelector
  3. from scrapy.http.request import Request
  4. from scrapy.http.cookies import CookieJar
  5. from scrapy import FormRequest
  6.  
  7. class ChouTiSpider(scrapy.Spider):
  8. # 爬虫应用的名称,通过此名称启动爬虫命令
  9. name = "chouti"
  10. # 允许的域名
  11. allowed_domains = ["chouti.com"]
  12.  
  13. cookie_dict = {}
  14. has_request_set = {} # 发送过请求的集合
  15.  
  16. def start_requests(self): # 继承Spider,Spider内部先执行的是start_requests方法
  17. url = 'http://dig.chouti.com/'
  18. # return [Request(url=url, callback=self.login)]
  19. yield Request(url=url, callback=self.login) # 爬取网页,指定回调函数;其实Request默认的callback是parse,
  20. # 这也解释了为什么新建的爬虫应用内部都是def parse(self, response):方法。可以像这样重写start_requests方法,指定callback
  21.  
  22. def login(self, response):
  23. cookie_jar = CookieJar()
  24. cookie_jar.extract_cookies(response, response.request)
  25. for k, v in cookie_jar._cookies.items():
  26. for i, j in v.items():
  27. for m, n in j.items():
  28. self.cookie_dict[m] = n.value
  29.  
  30. req = Request(
  31. url='http://dig.chouti.com/login',
  32. method='POST',
  33. headers={'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8'},
  34. body='phone=8615131255089&password=pppppppp&oneMonth=1',
  35. cookies=self.cookie_dict,
  36. callback=self.check_login # 指定回调函数
  37. )
  38. yield req
  39.  
  40. def check_login(self, response):
  41. req = Request(
  42. url='http://dig.chouti.com/',
  43. method='GET',
  44. callback=self.show, # 定义callback
  45. cookies=self.cookie_dict,
  46. dont_filter=True # 不被去重过滤
  47. )
  48. yield req
  49.  
  50. def show(self, response):
  51. # print(response)
  52. hxs = HtmlXPathSelector(response) # 实例化标签对象
  53. news_list = hxs.select('//div[@id="content-list"]/div[@class="item"]')
  54. for new in news_list:
  55. # temp = new.xpath('div/div[@class="part2"]/@share-linkid').extract()
  56. link_id = new.xpath('*/div[@class="part2"]/@share-linkid').extract_first() # 获取id
  57. yield Request( # 点赞
  58. url='http://dig.chouti.com/link/vote?linksId=%s' %(link_id,),
  59. method='POST',
  60. cookies=self.cookie_dict,
  61. callback=self.do_favor
  62. )
  63. # 获取分页的网址
  64. page_list = hxs.select('//div[@id="dig_lcpage"]//a[re:test(@href, "/all/hot/recent/\d+")]/@href').extract()
  65. for page in page_list:
  66.  
  67. page_url = 'http://dig.chouti.com%s' % page
  68. import hashlib
  69. hash = hashlib.md5()
  70. hash.update(bytes(page_url,encoding='utf-8'))
  71. key = hash.hexdigest()
  72. if key in self.has_request_set: # 加密key请求在已请求的列表中,则pass
  73. pass
  74. else: # 如果没有发送请求,继续发送
  75. self.has_request_set[key] = page_url
  76. yield Request(
  77. url=page_url,
  78. method='GET',
  79. callback=self.show
  80. )
  81.  
  82. def do_favor(self, response):
  83. print(response.text) # 打印以下点赞之后的返回值

处理Cookie:

  1. import scrapy
  2. from scrapy.http.response.html import HtmlResponse
  3. from scrapy.http import Request
  4. from scrapy.http.cookies import CookieJar
  5.  
  6. class ChoutiSpider(scrapy.Spider):
  7. name = "chouti"
  8. allowed_domains = ["chouti.com"]
  9. start_urls = (
  10. 'http://www.chouti.com/',
  11. )
  12.  
  13. def start_requests(self):
  14. url = 'http://dig.chouti.com/'
  15. yield Request(url=url, callback=self.login, meta={'cookiejar': True}) # 如此设置cookiejar,可以自动获取cookie
  16.  
  17. def login(self, response):
  18. print(response.headers.getlist('Set-Cookie'))
  19. req = Request(
  20. url='http://dig.chouti.com/login',
  21. method='POST',
  22. headers={'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8'},
  23. body='phone=8613121758648&password=woshiniba&oneMonth=1',
  24. callback=self.check_login,
  25. meta={'cookiejar': True}
  26. )
  27. yield req
  28.  
  29. def check_login(self, response):
  30. print(response.text)

注意:settings.py中设置DEPTH_LIMIT = 1来指定“递归”的层数。

这里对于上面的代码简单解释下,基础流程:

首先最初创建的爬虫应用的源码:继承了Spider类,该类内部有一个start_requests方法,这是爬虫执行的起始函数,如果start_urls不为空,爬取此url。即上图的yield Request(url, dont_filter=True)、这也可以解释为什么继续爬取分页的url时,写的是yield  Request(url)。此时大家也许不明白,即start_urls不为空,为什么会执行parse函数呢?其实在开始执行的yield Request中有一个默认参数是callback=parse,所以初始化的爬虫应用的流程就一目了然了。

现在解释下点赞的爬虫,前面提到继承了Spider类,第一个执行的是start_requests,此时既然继承了父类Spider,就可以对此类进行重写,已经知道了其实位置是start_requests,毫无疑问重写此方法,内部指定url(外部的start_urls删除),执行爬虫则调用Request方法,指定callback函数,这样根据callback也就形成了一个串行爬虫链。另外要提到的一点yield都知道是一个生成器,在Scrapy内部,spider内部调度yield Request只是其中的一部分,用来爬虫。另外一部分也是通过yield调用来做持久化的,即对于爬取的数据的处理跟保存。下面会讲到这部分,这里先提一下。

5、格式化处理

之前的实例只是一些简单的处理,所以在parse方法中直接处理。如果想要获取更多的数据处理,则可以利用Scrapy的items将数据格式化,然后统一交由pipelines来处理。

回到最原始的parse代码,抓取以下热榜标题跟链接

chouti.py

  1. import scrapy
  2. from scrapy.selector import HtmlXPathSelector, Selector
  3. from ..items import ScrapyTestItem
  4.  
  5. class ChoutiSpider(scrapy.Spider):
  6. name = 'chouti'
  7. allowed_domains = ['chouti.com']
  8. start_urls = ['http://dig.chouti.com/']
  9.  
  10. def parse(self, response):
  11. item_list = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]')
  12.  
  13. for item in item_list:
  14. t = item.xpath('./div[@class="news-content"]//div[@class="part1"]/a/text()').extract()
  15. h = item.xpath('./div[@class="news-content"]//div[@class="part1"]/a/@href').extract()
  16. item_obj = ScrapyTestItem(title=t, href=h) # 调用Item
  17. yield item_obj # 这里指向了另一个调度器,持久化调度器

items.py

  1. import scrapy
  2.  
  3. class ScrapyTestItem(scrapy.Item):
  4. # define the fields for your item here like: 定义要抓取保存的字段
  5. title = scrapy.Field()
  6. href = scrapy.Field()

pipelines.py

  1. class ScrapyTestPipeline(object):
  2. def process_item(self, item, spider):
  3. print(item, spider)
  4. return item

这里需要注意的是跟Django一样,需要注册以下:

在settings文件里面找到下面这段话,去掉注释,其中300代表优先级,稍后进行这个数字的测试。

  1. ITEM_PIPELINES = {
  2. 'scrapy_test.pipelines.ScrapyTestPipeline': 300,
  3. }

此时执行爬虫:

语法没写好,抓到2个href了,不要在意这些细节。

此时,了解了yield的另一个功能,当yield Item_obj是就会调度pipelines进行持久化,当然上面我们只是打印了以下结果,可以看到item对应的是字段,spider是爬虫应用函数方法。

所以对于不同的要求可以直接在pipelines里面写到:

  1. class ScrapyTestPipeline1(object):
  2. def process_item(self, item, spider):
  3. print('step 1 输出到屏幕')
  4. return item
  5.  
  6. class ScrapyTestPipeline2(object):
  7. def process_item(self, item, spider):
  8. print('step 2 保存到文件')
  9. return item
  10.  
  11. class ScrapyTestPipeline3(object):
  12. def process_item(self, item, spider):
  13. print('step 3 保存到数据库')
  14. return item

注册以下:

  1. ITEM_PIPELINES = {
  2. 'scrapy_test.pipelines.ScrapyTestPipeline1': 100,
  3. 'scrapy_test.pipelines.ScrapyTestPipeline2': 200,
  4. 'scrapy_test.pipelines.ScrapyTestPipeline3': 300,
  5. }

执行结果、注意顺序

假设step3的类没有注册,就只会执行step1 & step2。

那么、如果想在执行到某一个pipeline类终止怎么办?

  1. from scrapy.exceptions import DropItem # 导入DropItem
  2.  
  3. class ScrapyTestPipeline1(object):
  4. def process_item(self, item, spider):
  5. print('step 1 输出到屏幕')
  6. raise DropItem()
  7.  
  8. class ScrapyTestPipeline2(object):
  9. def process_item(self, item, spider):
  10. print('step 2 保存到文件')
  11. return item
  12.  
  13. class ScrapyTestPipeline3(object):
  14. def process_item(self, item, spider):
  15. print('step 3 保存到数据库')
  16. return item

那spider参数是干嘛用的呢?

假设,抓取的name是chouti的时候,不让其继续执行后续的:

  1. from scrapy.exceptions import DropItem
  2.  
  3. class ScrapyTestPipeline1(object):
  4. def process_item(self, item, spider):
  5. print('step 1 输出到屏幕')
  6. if spider.name == 'chouti':
  7. raise DropItem()
  8. return item
  9.  
  10. class ScrapyTestPipeline2(object):
  11. def process_item(self, item, spider):
  12. print('step 2 保存到文件')
  13. return item
  14.  
  15. class ScrapyTestPipeline3(object):
  16. def process_item(self, item, spider):
  17. print('step 3 保存到数据库')
  18. return item

pipelines更多:

假设需要将数据写入文件,首先想到的方法一定是

  1. class ScrapyTestPipeline(object):
  2. def process_item(self, item, spider):
  3. with open('***', 'a+') as f:
  4. f.write('***')
  5. print('step 2 保存到文件')
  6. return item

但是这样会在一次爬虫中频繁的打开文件,浪费IO

此时引入另外的方法

  1. from scrapy.exceptions import DropItem
  2.  
  3. class CustomPipeline(object):
  4. def __init__(self,v): # v就是类方法返回的参数val
  5. self.value = v
  6. print(self.value)
  7.  
  8. def process_item(self, item, spider):
  9. # 操作并进行持久化
  10.  
  11. # return表示会被后续的pipeline继续处理
  12. print('****操作****')
  13. return item
  14.  
  15. # 表示将item丢弃,不会被后续pipeline处理
  16. # raise DropItem()
  17.  
  18. @classmethod
  19. def from_crawler(cls, crawler):
  20. """
  21. 初始化时候,用于创建pipeline对象
  22. :param crawler:
  23. :return:
  24. """
  25. val = crawler.settings.get('MYPATH') # 类方法获取配置文件参数
  26. print(val)
  27. return cls(val)
  28.  
  29. def open_spider(self,spider):
  30. """
  31. 爬虫开始执行时,调用
  32. :param spider:
  33. :return:
  34. """
  35. print('')
  36.  
  37. def close_spider(self,spider):
  38. """
  39. 爬虫关闭时,被调用
  40. :param spider:
  41. :return:
  42. """
  43. print('')

此时在setting中配置以下文件地址就可以了:

  1. MYPATH = '***path***'

settings参数必须全部大写,小写测试失败,未抓取到。

执行结果

所以以后,可以在from_crawler里面通过参数定义文件名,setting文件设置文件路径,然后打开文件,中间对文件句柄进行追加,一次打开,一次关闭,避免重复操作。

6、中间件

自动化里面Django blog其实已经讲过了中间件的一个大致流程,其实在scrapy中中间件的核心依然是同样的。

上图是Django中中间件的一个基本概念图,而在scrapy中则是:

爬虫中间件

  1. class SpiderMiddleware(object):
  2.  
  3. def process_spider_input(self,response, spider):
  4. """
  5. 下载完成,执行,然后交给parse处理(默认有start_urls时,parse时默认的callback函数)
  6. :param response:
  7. :param spider:
  8. :return:
  9. """
  10. pass
  11.  
  12. def process_spider_output(self,response, result, spider):
  13. """
  14. spider处理完成,返回时调用
  15. :param response:
  16. :param result:
  17. :param spider:
  18. :return: 必须返回包含 Request 或 Item 对象的可迭代对象(iterable)
  19. """
  20. return result
  21.  
  22. def process_spider_exception(self,response, exception, spider):
  23. """
  24. 异常调用
  25. :param response:
  26. :param exception:
  27. :param spider:
  28. :return: None,继续交给后续中间件处理异常;含 Response 或 Item 的可迭代对象(iterable),交给调度器或pipeline
  29. """
  30. return None
  31.  
  32. def process_start_requests(self,start_requests, spider):
  33. """
  34. 爬虫启动时调用
  35. :param start_requests:
  36. :param spider:
  37. :return: 包含 Request 对象的可迭代对象、丢给调度器分配下载或者是解析文本
  38. """
  39. return start_requests

首先爬虫引擎启动全局,到spider的start_urls抓取数据返回start_request,放到任务调度器里面,下载器去任务调度器抓取任务执行。

下载器中间件

  1. class DownMiddleware1(object):
  2. def process_request(self, request, spider):
  3. """
  4. 请求需要被下载时,经过所有下载器中间件的process_request调用
  5. :param request:
  6. :param spider:
  7. :return:
  8. None,继续后续中间件去下载;
  9. Response对象,停止process_request的执行,开始执行process_response
  10. Request对象,停止中间件的执行,将Request重新调度器
  11. raise IgnoreRequest异常,停止process_request的执行,开始执行process_exception
  12. """
  13. pass
  14.  
  15. def process_response(self, request, response, spider):
  16. """
  17. spider处理完成,返回时调用
  18. :param response:
  19. :param result:
  20. :param spider:
  21. :return:
  22. Response 对象:转交给其他中间件process_response
  23. Request 对象:停止中间件,request会被重新调度下载
  24. raise IgnoreRequest 异常:调用Request.errback
  25. """
  26. print('response1')
  27. return response
  28.  
  29. def process_exception(self, request, exception, spider):
  30. """
  31. 当下载处理器(download handler)或 process_request() (下载中间件)抛出异常
  32. :param response:
  33. :param exception:
  34. :param spider:
  35. :return:
  36. None:继续交给后续中间件处理异常;
  37. Response对象:停止后续process_exception方法
  38. Request对象:停止中间件,request将会被重新调用下载
  39. """
  40. return None

7、自定制命令

a、在spiders同级创建任意目录,如:commands

b、在其中创建 crawlall.py 文件 (此处文件名就是自定义的命令)-- 如果创建多个文件,其实是相当于创建了多个命令

  1. from scrapy.commands import ScrapyCommand
  2. from scrapy.utils.project import get_project_settings
  3.  
  4. class Command(ScrapyCommand):
  5.  
  6. requires_project = True
  7.  
  8. def syntax(self):
  9. return '[options]'
  10.  
  11. def short_desc(self):
  12. return 'Runs all of the spiders'
  13.  
  14. def run(self, args, opts):
  15. spider_list = self.crawler_process.spiders.list() # 去spiders文件夹下获取所有的爬虫文件
  16. for name in spider_list:
  17. self.crawler_process.crawl(name, **opts.__dict__) # 为所有的爬虫创建任务
  18. self.crawler_process.start() # 并发的开始执行

crawlall.py

c、在settings.py 中添加配置 COMMANDS_MODULE = '项目名称.目录名称'

d、在项目目录执行命令:scrapy crawlall

PS:scrapy的源码,建议从run开始着手看。

单个爬虫:

  1. import sys
  2. from scrapy.cmdline import execute
  3.  
  4. if __name__ == '__main__':
  5. execute(["scrapy","github","--nolog"])

8、自定义扩展

自定义扩展时,利用信号在指定位置注册制定操作(跟Django的信号很相似)

  1. from scrapy import signals
  2.  
  3. class MyExtension(object):
  4. def __init__(self, value):
  5. self.value = value
  6.  
  7. @classmethod
  8. def from_crawler(cls, crawler):
  9. val = crawler.settings.get('MMMM')
  10. ext = cls(val)
  11.  
  12. crawler.signals.connect(ext.openn, signal=signals.spider_opened)
  13. crawler.signals.connect(ext.closee, signal=signals.spider_closed)
  14.  
  15. return ext
  16.  
  17. def openn(self, spider):
  18. print('open')
  19.  
  20. def closee(self, spider):
  21. print('close')
  1. """
  2. Scrapy signals
  3.  
  4. These signals are documented in docs/topics/signals.rst. Please don't add new
  5. signals here without documenting them there.
  6. """
  7.  
  8. engine_started = object()
  9. engine_stopped = object()
  10. spider_opened = object()
  11. spider_idle = object()
  12. spider_closed = object()
  13. spider_error = object()
  14. request_scheduled = object()
  15. request_dropped = object()
  16. response_received = object()
  17. response_downloaded = object()
  18. item_scraped = object()
  19. item_dropped = object()
  20.  
  21. # for backwards compatibility
  22. stats_spider_opened = spider_opened
  23. stats_spider_closing = spider_closed
  24. stats_spider_closed = spider_closed
  25.  
  26. item_passed = item_scraped
  27.  
  28. request_received = request_scheduled

爬虫的所有信号

跟pipelines一样,需要注册类在settings文件里。

9、避免重复访问

scrapy默认使用 scrapy.dupefilter.RFPDupeFilter 进行去重,相关配置有:

  1. DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'
  2. DUPEFILTER_DEBUG = False
  3. JOBDIR = "保存范文记录的日志路径,如:/root/" # 最终路径为 /root/requests.seen
  1. class RepeatUrl:
  2. def __init__(self):
  3. self.visited_url = set()
  4.  
  5. @classmethod
  6. def from_settings(cls, settings):
  7. """
  8. 初始化时,调用
  9. :param settings:
  10. :return:
  11. """
  12. return cls()
  13.  
  14. def request_seen(self, request):
  15. """
  16. 检测当前请求是否已经被访问过
  17. :param request:
  18. :return: True表示已经访问过;False表示未访问过
  19. """
  20. if request.url in self.visited_url:
  21. return True
  22. self.visited_url.add(request.url)
  23. return False
  24.  
  25. def open(self):
  26. """
  27. 开始爬去请求时,调用
  28. :return:
  29. """
  30. print('open replication')
  31.  
  32. def close(self, reason):
  33. """
  34. 结束爬虫爬取时,调用
  35. :param reason:
  36. :return:
  37. """
  38. print('close replication')
  39.  
  40. def log(self, request, spider):
  41. """
  42. 记录日志
  43. :param request:
  44. :param spider:
  45. :return:
  46. """
  47. print('repeat', request.url)
  48.  
  49. 自定义URL去重操作

自定义url去重

10、settings其他设置

  1. # -*- coding: utf-8 -*-
  2.  
  3. # Scrapy settings for step8_king project
  4. #
  5. # For simplicity, this file contains only settings considered important or
  6. # commonly used. You can find more settings consulting the documentation:
  7. #
  8. # http://doc.scrapy.org/en/latest/topics/settings.html
  9. # http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  10. # http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  11.  
  12. # 1. 爬虫名称
  13. BOT_NAME = 'scrapy_test'
  14.  
  15. # 2. 爬虫应用路径
  16. SPIDER_MODULES = ['scrapy_test.spiders']
  17. NEWSPIDER_MODULE = 'scrapy_test.spiders'
  18.  
  19. # Crawl responsibly by identifying yourself (and your website) on the user-agent
  20. # 3. 客户端 user-agent请求头 通用配置,也可以在Request内部配置
  21. # USER_AGENT = 'scrapy_test (+http://www.yourdomain.com)'
  22.  
  23. # Obey robots.txt rules
  24. # 4. 禁止爬虫配置
  25. # ROBOTSTXT_OBEY = False
  26.  
  27. # Configure maximum concurrent requests performed by Scrapy (default: 16)
  28. # 5. 并发请求数
  29. # CONCURRENT_REQUESTS = 4
  30.  
  31. # Configure a delay for requests for the same website (default: 0)
  32. # See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
  33. # See also autothrottle settings and docs
  34. # 6. 延迟下载秒数(反爬虫,所有的爬虫都是延迟2秒)
  35. # DOWNLOAD_DELAY = 2
  36.  
  37. # The download delay setting will honor only one of:
  38. # 7. 单域名访问并发数,并且延迟下次秒数也应用在每个域名
  39. # CONCURRENT_REQUESTS_PER_DOMAIN = 2
  40. # 单IP访问并发数,如果有值则忽略:CONCURRENT_REQUESTS_PER_DOMAIN,并且延迟下次秒数也应用在每个IP
  41. # CONCURRENT_REQUESTS_PER_IP = 3
  42.  
  43. # Disable cookies (enabled by default)
  44. # 8. 是否支持cookie,cookiejar进行操作cookie
  45. # COOKIES_ENABLED = True
  46. # COOKIES_DEBUG = True
  47.  
  48. # Disable Telnet Console (enabled by default)
  49. # 9. Telnet用于查看当前爬虫的信息,操作爬虫等...
  50. # 使用telnet ip port ,然后通过命令操作
  51. # TELNETCONSOLE_ENABLED = True
  52. # TELNETCONSOLE_HOST = '127.0.0.1'
  53. # TELNETCONSOLE_PORT = [6023,]
  54.  
  55. # 10. 默认请求头
  56. # Override the default request headers:
  57. # DEFAULT_REQUEST_HEADERS = {
  58. # 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  59. # 'Accept-Language': 'en',
  60. # }
  61.  
  62. # Configure item pipelines
  63. # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
  64. # 11. 定义pipeline处理请求
  65. # ITEM_PIPELINES = {
  66. # 'scrapy_test.pipelines.JsonPipeline': 700,
  67. # 'scrapy_test.pipelines.FilePipeline': 500,
  68. # }
  69.  
  70. # 12. 自定义扩展,基于信号进行调用
  71. # Enable or disable extensions
  72. # See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
  73. # EXTENSIONS = {
  74. # # 'scrapy_test.extensions.MyExtension': 500,
  75. # }
  76.  
  77. # 13. 爬虫允许的最大深度,可以通过meta查看当前深度;0表示无深度
  78. # DEPTH_LIMIT = 3
  79.  
  80. # 14. 爬取时,0表示深度优先Lifo(默认);1表示广度优先FiFo
  81.  
  82. # 后进先出,深度优先
  83. # DEPTH_PRIORITY = 0
  84. # SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleLifoDiskQueue'
  85. # SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.LifoMemoryQueue'
  86. # 先进先出,广度优先
  87.  
  88. # DEPTH_PRIORITY = 1
  89. # SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleFifoDiskQueue'
  90. # SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.FifoMemoryQueue'
  91.  
  92. # 15. 调度器队列 queue
  93. # SCHEDULER = 'scrapy.core.scheduler.Scheduler'
  94. # from scrapy.core.scheduler import Scheduler
  95.  
  96. # 16. 访问URL去重
  97. # DUPEFILTER_CLASS = 'scrapy_test.duplication.RepeatUrl'
  98.  
  99. # Enable and configure the AutoThrottle extension (disabled by default)
  100. # See http://doc.scrapy.org/en/latest/topics/autothrottle.html
  101.  
  102. """
  103. 17. 自动限速算法
  104. from scrapy.contrib.throttle import AutoThrottle
  105. 自动限速设置
  106. 1. 获取最小延迟 DOWNLOAD_DELAY
  107. 2. 获取最大延迟 AUTOTHROTTLE_MAX_DELAY
  108. 3. 设置初始下载延迟 AUTOTHROTTLE_START_DELAY
  109. 4. 当请求下载完成后,获取其"连接"时间 latency,即:请求连接到接受到响应头之间的时间
  110. 5. 用于计算的... AUTOTHROTTLE_TARGET_CONCURRENCY
  111. target_delay = latency / self.target_concurrency
  112. new_delay = (slot.delay + target_delay) / 2.0 # 表示上一次的延迟时间
  113. new_delay = max(target_delay, new_delay)
  114. new_delay = min(max(self.mindelay, new_delay), self.maxdelay)
  115. slot.delay = new_delay
  116. """
  117.  
  118. # 开始自动限速
  119. # AUTOTHROTTLE_ENABLED = True
  120. # The initial download delay
  121. # 初始下载延迟
  122. # AUTOTHROTTLE_START_DELAY = 5
  123. # The maximum download delay to be set in case of high latencies
  124. # 最大下载延迟
  125. # AUTOTHROTTLE_MAX_DELAY = 10
  126. # The average number of requests Scrapy should be sending in parallel to each remote server
  127. # 平均每秒并发数
  128. # AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
  129.  
  130. # Enable showing throttling stats for every response received:
  131. # 是否显示
  132. # AUTOTHROTTLE_DEBUG = True
  133.  
  134. # Enable and configure HTTP caching (disabled by default)
  135. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
  136.  
  137. """
  138. 18. 启用缓存
  139. 目的用于将已经发送的请求或相应缓存下来,以便以后使用
  140.  
  141. from scrapy.downloadermiddlewares.httpcache import HttpCacheMiddleware
  142. from scrapy.extensions.httpcache import DummyPolicy
  143. from scrapy.extensions.httpcache import FilesystemCacheStorage
  144. """
  145. # 是否启用缓存策略
  146. # HTTPCACHE_ENABLED = True
  147.  
  148. # 缓存策略:所有请求均缓存,下次在请求直接访问原来的缓存即可
  149. # HTTPCACHE_POLICY = "scrapy.extensions.httpcache.DummyPolicy"
  150. # 缓存策略:根据Http响应头:Cache-Control、Last-Modified 等进行缓存的策略
  151. # HTTPCACHE_POLICY = "scrapy.extensions.httpcache.RFC2616Policy"
  152.  
  153. # 缓存超时时间
  154. # HTTPCACHE_EXPIRATION_SECS = 0
  155.  
  156. # 缓存保存路径
  157. # HTTPCACHE_DIR = 'httpcache'
  158.  
  159. # 缓存忽略的Http状态码
  160. # HTTPCACHE_IGNORE_HTTP_CODES = []
  161.  
  162. # 缓存存储的插件
  163. # HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
  164.  
  165. """
  166. 19. 代理,需要在环境变量中设置
  167. from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware
  168.  
  169. 方式一:使用默认,key不可以修改
  170. os.environ
  171. {
  172. http_proxy:http://root:woshiniba@192.168.11.11:9999/
  173. https_proxy:http://192.168.11.11:9999/
  174. }
  175. 方式二:使用自定义下载中间件
  176.  
  177. def to_bytes(text, encoding=None, errors='strict'):
  178. if isinstance(text, bytes):
  179. return text
  180. if not isinstance(text, six.string_types):
  181. raise TypeError('to_bytes must receive a unicode, str or bytes '
  182. 'object, got %s' % type(text).__name__)
  183. if encoding is None:
  184. encoding = 'utf-8'
  185. return text.encode(encoding, errors)
  186.  
  187. class ProxyMiddleware(object):
  188. def process_request(self, request, spider):
  189. PROXIES = [
  190. {'ip_port': '111.11.228.75:80', 'user_pass': ''},
  191. {'ip_port': '120.198.243.22:80', 'user_pass': ''},
  192. {'ip_port': '111.8.60.9:8123', 'user_pass': ''},
  193. {'ip_port': '101.71.27.120:80', 'user_pass': ''},
  194. {'ip_port': '122.96.59.104:80', 'user_pass': ''},
  195. {'ip_port': '122.224.249.122:8088', 'user_pass': ''},
  196. ]
  197. proxy = random.choice(PROXIES)
  198. if proxy['user_pass'] is not None:
  199. request.meta['proxy'] = to_bytes("http://%s" % proxy['ip_port'])
  200. encoded_user_pass = base64.encodestring(to_bytes(proxy['user_pass']))
  201. request.headers['Proxy-Authorization'] = to_bytes('Basic ' + encoded_user_pass)
  202. print "**************ProxyMiddleware have pass************" + proxy['ip_port']
  203. else:
  204. print "**************ProxyMiddleware no pass************" + proxy['ip_port']
  205. request.meta['proxy'] = to_bytes("http://%s" % proxy['ip_port'])
  206.  
  207. DOWNLOADER_MIDDLEWARES = {
  208. 'step8_king.middlewares.ProxyMiddleware': 500,
  209. }
  210.  
  211. """
  212.  
  213. """
  214. 20. Https访问
  215. Https访问时有两种情况:
  216. 1. 要爬取网站使用的可信任证书(默认支持)
  217. DOWNLOADER_HTTPCLIENTFACTORY = "scrapy.core.downloader.webclient.ScrapyHTTPClientFactory"
  218. DOWNLOADER_CLIENTCONTEXTFACTORY = "scrapy.core.downloader.contextfactory.ScrapyClientContextFactory"
  219.  
  220. 2. 要爬取网站使用的自定义证书
  221. DOWNLOADER_HTTPCLIENTFACTORY = "scrapy.core.downloader.webclient.ScrapyHTTPClientFactory"
  222. DOWNLOADER_CLIENTCONTEXTFACTORY = "scrapy_test.https.MySSLFactory"
  223.  
  224. # https.py
  225. from scrapy.core.downloader.contextfactory import ScrapyClientContextFactory
  226. from twisted.internet.ssl import (optionsForClientTLS, CertificateOptions, PrivateCertificate)
  227.  
  228. class MySSLFactory(ScrapyClientContextFactory):
  229. def getCertificateOptions(self):
  230. from OpenSSL import crypto
  231. v1 = crypto.load_privatekey(crypto.FILETYPE_PEM, open('/Users/wupeiqi/client.key.unsecure', mode='r').read())
  232. v2 = crypto.load_certificate(crypto.FILETYPE_PEM, open('/Users/wupeiqi/client.pem', mode='r').read())
  233. return CertificateOptions(
  234. privateKey=v1, # pKey对象
  235. certificate=v2, # X509对象
  236. verify=False,
  237. method=getattr(self, 'method', getattr(self, '_ssl_method', None))
  238. )
  239. 其他:
  240. 相关类
  241. scrapy.core.downloader.handlers.http.HttpDownloadHandler
  242. scrapy.core.downloader.webclient.ScrapyHTTPClientFactory
  243. scrapy.core.downloader.contextfactory.ScrapyClientContextFactory
  244. 相关配置
  245. DOWNLOADER_HTTPCLIENTFACTORY
  246. DOWNLOADER_CLIENTCONTEXTFACTORY
  247.  
  248. """
  249.  
  250. """
  251. 21. 爬虫中间件
  252. class SpiderMiddleware(object):
  253.  
  254. def process_spider_input(self,response, spider):
  255. '''
  256. 下载完成,执行,然后交给parse处理
  257. :param response:
  258. :param spider:
  259. :return:
  260. '''
  261. pass
  262.  
  263. def process_spider_output(self,response, result, spider):
  264. '''
  265. spider处理完成,返回时调用
  266. :param response:
  267. :param result:
  268. :param spider:
  269. :return: 必须返回包含 Request 或 Item 对象的可迭代对象(iterable)
  270. '''
  271. return result
  272.  
  273. def process_spider_exception(self,response, exception, spider):
  274. '''
  275. 异常调用
  276. :param response:
  277. :param exception:
  278. :param spider:
  279. :return: None,继续交给后续中间件处理异常;含 Response 或 Item 的可迭代对象(iterable),交给调度器或pipeline
  280. '''
  281. return None
  282.  
  283. def process_start_requests(self,start_requests, spider):
  284. '''
  285. 爬虫启动时调用
  286. :param start_requests:
  287. :param spider:
  288. :return: 包含 Request 对象的可迭代对象
  289. '''
  290. return start_requests
  291.  
  292. 内置爬虫中间件:
  293. 'scrapy.contrib.spidermiddleware.httperror.HttpErrorMiddleware': 50,
  294. 'scrapy.contrib.spidermiddleware.offsite.OffsiteMiddleware': 500,
  295. 'scrapy.contrib.spidermiddleware.referer.RefererMiddleware': 700,
  296. 'scrapy.contrib.spidermiddleware.urllength.UrlLengthMiddleware': 800,
  297. 'scrapy.contrib.spidermiddleware.depth.DepthMiddleware': 900,
  298.  
  299. """
  300. # from scrapy.contrib.spidermiddleware.referer import RefererMiddleware
  301. # Enable or disable spider middlewares
  302. # See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  303. SPIDER_MIDDLEWARES = {
  304. # 'scrapy_test.middlewares.SpiderMiddleware': 543,
  305. }
  306.  
  307. """
  308. 22. 下载中间件
  309. class DownMiddleware1(object):
  310. def process_request(self, request, spider):
  311. '''
  312. 请求需要被下载时,经过所有下载器中间件的process_request调用
  313. :param request:
  314. :param spider:
  315. :return:
  316. None,继续后续中间件去下载;
  317. Response对象,停止process_request的执行,开始执行process_response
  318. Request对象,停止中间件的执行,将Request重新调度器
  319. raise IgnoreRequest异常,停止process_request的执行,开始执行process_exception
  320. '''
  321. pass
  322.  
  323. def process_response(self, request, response, spider):
  324. '''
  325. spider处理完成,返回时调用
  326. :param response:
  327. :param result:
  328. :param spider:
  329. :return:
  330. Response 对象:转交给其他中间件process_response
  331. Request 对象:停止中间件,request会被重新调度下载
  332. raise IgnoreRequest 异常:调用Request.errback
  333. '''
  334. print('response1')
  335. return response
  336.  
  337. def process_exception(self, request, exception, spider):
  338. '''
  339. 当下载处理器(download handler)或 process_request() (下载中间件)抛出异常
  340. :param response:
  341. :param exception:
  342. :param spider:
  343. :return:
  344. None:继续交给后续中间件处理异常;
  345. Response对象:停止后续process_exception方法
  346. Request对象:停止中间件,request将会被重新调用下载
  347. '''
  348. return None
  349.  
  350. 默认下载中间件
  351. {
  352. 'scrapy.contrib.downloadermiddleware.robotstxt.RobotsTxtMiddleware': 100,
  353. 'scrapy.contrib.downloadermiddleware.httpauth.HttpAuthMiddleware': 300,
  354. 'scrapy.contrib.downloadermiddleware.downloadtimeout.DownloadTimeoutMiddleware': 350,
  355. 'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 400,
  356. 'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 500,
  357. 'scrapy.contrib.downloadermiddleware.defaultheaders.DefaultHeadersMiddleware': 550,
  358. 'scrapy.contrib.downloadermiddleware.redirect.MetaRefreshMiddleware': 580,
  359. 'scrapy.contrib.downloadermiddleware.httpcompression.HttpCompressionMiddleware': 590,
  360. 'scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware': 600,
  361. 'scrapy.contrib.downloadermiddleware.cookies.CookiesMiddleware': 700,
  362. 'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 750,
  363. 'scrapy.contrib.downloadermiddleware.chunked.ChunkedTransferMiddleware': 830,
  364. 'scrapy.contrib.downloadermiddleware.stats.DownloaderStats': 850,
  365. 'scrapy.contrib.downloadermiddleware.httpcache.HttpCacheMiddleware': 900,
  366. }
  367.  
  368. """
  369. # from scrapy.contrib.downloadermiddleware.httpauth import HttpAuthMiddleware
  370. # Enable or disable downloader middlewares
  371. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  372. # DOWNLOADER_MIDDLEWARES = {
  373. # 'scrapy_test.middlewares.DownMiddleware1': 100,
  374. # 'scrapy_test.middlewares.DownMiddleware2': 500,
  375. # }

settings.py

11、模拟scrapy框架

  1. #!/usr/bin/env python
  2. # -*- coding:utf-8 -*-
  3. from twisted.web.client import getPage, defer
  4. from twisted.internet import reactor
  5. import queue
  6.  
  7. class Response(object):
  8. def __init__(self, body, request):
  9. self.body = body
  10. self.request = request
  11. self.url = request.url
  12.  
  13. @property
  14. def text(self):
  15. return self.body.decode('utf-8')
  16.  
  17. class Request(object):
  18. def __init__(self, url, callback=None):
  19. self.url = url
  20. self.callback = callback
  21.  
  22. class Scheduler(object):
  23. def __init__(self, engine):
  24. self.q = queue.Queue()
  25. self.engine = engine
  26.  
  27. def enqueue_request(self, request):
  28. self.q.put(request)
  29.  
  30. def next_request(self):
  31. try:
  32. req = self.q.get(block=False)
  33. except Exception as e:
  34. req = None
  35.  
  36. return req
  37.  
  38. def size(self):
  39. return self.q.qsize()
  40.  
  41. class ExecutionEngine(object):
  42. def __init__(self):
  43. self._closewait = None
  44. self.running = True
  45. self.start_requests = None
  46. self.scheduler = Scheduler(self)
  47.  
  48. self.inprogress = set()
  49.  
  50. def check_empty(self, response):
  51. if not self.running:
  52. self._closewait.callback('......')
  53.  
  54. def _next_request(self):
  55. while self.start_requests:
  56. try:
  57. request = next(self.start_requests)
  58. except StopIteration:
  59. self.start_requests = None
  60. else:
  61. self.scheduler.enqueue_request(request)
  62.  
  63. while len(self.inprogress) < 5 and self.scheduler.size() > 0: # 最大并发数为5
  64.  
  65. request = self.scheduler.next_request()
  66. if not request:
  67. break
  68.  
  69. self.inprogress.add(request)
  70. d = getPage(bytes(request.url, encoding='utf-8'))
  71. d.addBoth(self._handle_downloader_output, request)
  72. d.addBoth(lambda x, req: self.inprogress.remove(req), request)
  73. d.addBoth(lambda x: self._next_request())
  74.  
  75. if len(self.inprogress) == 0 and self.scheduler.size() == 0:
  76. self._closewait.callback(None)
  77.  
  78. def _handle_downloader_output(self, body, request):
  79. """
  80. 获取内容,执行回调函数,并且把回调函数中的返回值获取,并添加到队列中
  81. :param response:
  82. :param request:
  83. :return:
  84. """
  85. import types
  86.  
  87. response = Response(body, request)
  88. func = request.callback or self.spider.parse
  89. gen = func(response)
  90. if isinstance(gen, types.GeneratorType):
  91. for req in gen:
  92. self.scheduler.enqueue_request(req)
  93.  
  94. @defer.inlineCallbacks
  95. def start(self):
  96. self._closewait = defer.Deferred()
  97. yield self._closewait
  98.  
  99. def open_spider(self, spider, start_requests):
  100. self.start_requests = start_requests
  101. self.spider = spider
  102. reactor.callLater(0, self._next_request)
  103.  
  104. class Crawler(object):
  105. def __init__(self, spidercls):
  106. self.spidercls = spidercls
  107.  
  108. self.spider = None
  109. self.engine = None
  110.  
  111. @defer.inlineCallbacks
  112. def crawl(self):
  113. self.engine = ExecutionEngine()
  114. self.spider = self.spidercls()
  115. start_requests = iter(self.spider.start_requests())
  116. start_requests = iter(start_requests)
  117. self.engine.open_spider(self.spider, start_requests)
  118. yield self.engine.start()
  119.  
  120. class CrawlerProcess(object):
  121. def __init__(self):
  122. self._active = set()
  123. self.crawlers = set()
  124.  
  125. def crawl(self, spidercls, *args, **kwargs):
  126. crawler = Crawler(spidercls)
  127.  
  128. self.crawlers.add(crawler)
  129. d = crawler.crawl(*args, **kwargs)
  130. self._active.add(d)
  131. return d
  132.  
  133. def start(self):
  134. dl = defer.DeferredList(self._active)
  135. dl.addBoth(self._stop_reactor)
  136. reactor.run()
  137.  
  138. def _stop_reactor(self, _=None):
  139. reactor.stop()
  140.  
  141. class Spider(object):
  142. def start_requests(self):
  143. for url in self.start_urls:
  144. yield Request(url)
  145.  
  146. class ChoutiSpider(Spider):
  147. name = "chouti"
  148. start_urls = [
  149. 'http://dig.chouti.com/',
  150. ]
  151.  
  152. def parse(self, response):
  153. print(response.text)
  154.  
  155. class CnblogsSpider(Spider):
  156. name = "cnblogs"
  157. start_urls = [
  158. 'http://www.cnblogs.com/',
  159. ]
  160.  
  161. def parse(self, response):
  162. print(response.text)
  163.  
  164. if __name__ == '__main__':
  165.  
  166. spider_cls_list = [ChoutiSpider, CnblogsSpider]
  167.  
  168. crawler_process = CrawlerProcess()
  169. for spider_cls in spider_cls_list:
  170. crawler_process.crawl(spider_cls)
  171.  
  172. crawler_process.start()

模拟scrapy框架

参见文档:http://www.cnblogs.com/wupeiqi/articles/6229292.html

Python 爬虫七 Scrapy的更多相关文章

  1. 教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

    本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scr ...

  2. 【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

    原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http:/ ...

  3. Linux 安装python爬虫框架 scrapy

    Linux 安装python爬虫框架 scrapy http://scrapy.org/ Scrapy是python最好用的一个爬虫框架.要求: python2.7.x. 1. Ubuntu14.04 ...

  4. Python爬虫框架Scrapy实例(三)数据存储到MongoDB

    Python爬虫框架Scrapy实例(三)数据存储到MongoDB任务目标:爬取豆瓣电影top250,将数据存储到MongoDB中. items.py文件复制代码# -*- coding: utf-8 ...

  5. 《Python3网络爬虫开发实战》PDF+源代码+《精通Python爬虫框架Scrapy》中英文PDF源代码

    下载:https://pan.baidu.com/s/1oejHek3Vmu0ZYvp4w9ZLsw <Python 3网络爬虫开发实战>中文PDF+源代码 下载:https://pan. ...

  6. Python爬虫框架Scrapy教程(1)—入门

    最近实验室的项目中有一个需求是这样的,需要爬取若干个(数目不小)网站发布的文章元数据(标题.时间.正文等).问题是这些网站都很老旧和小众,当然也不可能遵守 Microdata 这类标准.这时候所有网页 ...

  7. 0.Python 爬虫之Scrapy入门实践指南(Scrapy基础知识)

    目录 0.0.Scrapy基础 0.1.Scrapy 框架图 0.2.Scrapy主要包括了以下组件: 0.3.Scrapy简单示例如下: 0.4.Scrapy运行流程如下: 0.5.还有什么? 0. ...

  8. 《精通Python爬虫框架Scrapy》学习资料

    <精通Python爬虫框架Scrapy>学习资料 百度网盘:https://pan.baidu.com/s/1ACOYulLLpp9J7Q7src2rVA

  9. 初识python爬虫框架Scrapy

    Scrapy,按照其官网(https://scrapy.org/)上的解释:一个开源和协作式的框架,用快速.简单.可扩展的方式从网站提取所需的数据. 我们一开始上手爬虫的时候,接触的是urllib.r ...

随机推荐

  1. MySQL数据库简单查询

    --黑马程序员 DQL数据查询语言 数据库执行DQL语句不会对数据进行改变,而是让数据库发送结果集给客户端.查询返回的结果集是一张虚拟表. 查询关键字:SELECT 语法: SELECT 列名 FRO ...

  2. XTest

    腾讯优测是一个移动云测试平台,为应用.游戏.H5混合应用的研发团队提供产品质量检测与问题解决服务. 这是腾讯内部针对微信内的H5,做了一套专门的UI自动化框架.而且都是用真机来跑这些框架,在真机上模拟 ...

  3. C# winform TreeView中关于checkbox选择的完美类[转]

    http://www.cnblogs.com/kingangWang/archive/2011/08/15/2139119.html public static class TreeViewCheck ...

  4. bat 复制文件夹,文件名递增 等操作

    句尾无';' @echo off : 回显,使命令不在dos中一行一行输出 pause : 暂停,以便看到输出结果 变量 %% 与 % % : https://zhidao.baidu.com/que ...

  5. 斯坦福大学公开课机器学习:advice for applying machine learning - deciding what to try next(设计机器学习系统时,怎样确定最适合、最正确的方法)

    假如我们在开发一个机器学习系统,想试着改进一个机器学习系统的性能,我们应该如何决定接下来应该选择哪条道路? 为了解释这一问题,以预测房价的学习例子.假如我们已经得到学习参数以后,要将我们的假设函数放到 ...

  6. Java实现二叉树的前序、中序、后序、层序遍历(递归方法)

      在数据结构中,二叉树是树中我们见得最多的,二叉查找树可以加速我们查找的效率,那么输出一个二叉树也变得尤为重要了.   二叉树的遍历方法分为四种,分别为前序遍历.中序遍历.后序.层序遍历.下图即为一 ...

  7. Nginx上部署HTTPS + HTTP2

    Nginx上部署HTTPS依赖OpenSSL库和包含文件,即须先安装好libssl-dev(或者OpenSSL),且ln -s /usr/lib/x86_64-linux-gnu/libssl.so ...

  8. struts2 对EL的改变

    Struts2对EL的改变 1.Struts2中使用EL的问题: 前提: 我们应该知道,如果我们没有往值栈(根)中放入数据的话,那么我们的动作类默认是在值栈的栈顶 2.关于EL问题的分析: 分析:   ...

  9. league之csv导出

    有的时候当我们导出文件时,如果文件比较小可以使用phpexcel,但是当文件太大时就会遇到很多瓶颈(excel条数限制.导出时间太长等). 这个时候要么使用excel分批次导出,要么就需要使用csv导 ...

  10. CodeForces1051F LCA + Floyd

    题意:给定一个10W的无向联通图,和10W的询问,每个询问求任意两点间的距离,限制条件是边数-点数不超过20 一般来说图上任意两点间的距离都会采用Floyd算法直接做,但是这个数据范围显然是不合理的, ...