scrapy基础二
应对反爬虫机制
①、禁止cookie :有的网站会通过用户的cookie信息对用户进行识别和分析,此时可以通过禁用本地cookies信息让对方网站无法识别我们的会话信息
settings.py里开启禁用cookie
# Disable cookies (enabled by default)
COOKIES_ENABLED = False
②、设置下载延时:有的网站会对网页的访问频率进行分析,如果爬取过快,会被判断为自动爬取行为
settings.py里设置下载延时
#DOWNLOAD_DELAY = 3 #去掉注释,3代表3秒
③、使用ip池: 有的网站会对用户的ip进行判断,所以需要多个ip地址。这些地址组成一个ip池,爬虫每次爬取会从ip池中随机选择一个ip,此时可以为爬虫项目建立一个中间件文件,定义ip使用规则
#1、创建项目略过 #2、settings.py 设置代理ip地址池 IPPOOL=[
{"ipaddr":"proxyip1"},
{"ipaddr":"proxyip2"},
{"ipaddr":"proxyip3"},
{"ipaddr":"proxyip4"},
{"ipaddr":"proxyip5"},
{"ipaddr":"proxyip6"},
{"ipaddr":"proxyip7"}
] #3、创建一个中间件文件 middle_download_wares.py #-*-coding:utf-8-*- import random
from mulitispd.settings import IPPOOL
from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware class IPPOOLS(HttpProxyMiddleware):
def __init__(self,ip=''):
self.ip = ip def process_request(self, request, spider):
thisip = random.choice(IPPOOL)
print ("current ip "+thisip["ipaddr"])
request.meta['proxy'] = "http://"+thisip['ipaddr'] #4设置settings.py注册为项目中间件,格式:中间件所在目录.中间件文件名.中间件内部要使用的类
DOWNLOADER_MIDDLEWARES = {
#'mulitispd.middlewares.MulitispdDownloaderMiddleware': 543,
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware':123,
'mulitispd.middle_download_wares.IPPOOLS':125
}
测试结果:
④、使用用户代理池: User-Agent变换使用,方法流程与使用ippool方法一样
#1、设置settings.py 里User-agent UAPOOL=[
"MOzilla/5.0 ...",
"Chrom/49.0.2623.22 ....."
] #2、新建中间件文件 #-*-coding:utf-8-*- import random
from mulitispd.settings import UAPOOL
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware class UAPOOLS(UserAgentMiddleware):
def __init__(self,useragent=''):
self.useragent = useragent def process_request(self, request, spider):
thisua = random.choice(UAPOOL)
print ("current useragent "+thisua)
request.headers.setdefault("User-Agent",thisua) #3、settings.py注册中间件
DOWNLOADER_MIDDLEWARES = {
#'mulitispd.middlewares.MulitispdDownloaderMiddleware': 543,
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware':123,
'mulitispd.middle_download_wares.IPPOOLS':125,
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware':2,
'mulitispd.middle_useragent_wares.UAPOOLS':1
}
Scrapy核心架构
说明:
工作流
总结:
简单示例
爬取网页内容爬虫(爬取当当网特产)
创建项目及爬虫文件
scrapy startproject autopro
scrapy genspider -t basic autospd dangdang.com
编写items.py
import scrapy class AutoproItem(scrapy.Item):
name = scrapy.Field() #商品名称
price = scrapy.Field() #商品价格
link = scrapy.Field() #商品链接
comnum = scrapy.Field() #商品评论数量
编写爬虫文件autospd.py
# -*- coding: utf-8 -*-
import scrapy
from autopro.items import AutoproItem
from scrapy.http import Request class AutospdSpider(scrapy.Spider):
name = 'autospd'
allowed_domains = ['dangdang.com']
start_urls = ['http://dangdang.com/'] def parse(self, response):
item = AutoproItem()
item['name'] = response.xpath("//a[@class='pic']/@title").extract() #xpath分析结果,@title表示获取titile属性的值
item['price'] =response.xpath("//span[@class='price_n']/text()").extract()
item['link'] = response.xpath("//a[@class='pic']/@href").extract()
item['comnum'] = response.xpath("//a[@dd_name='单品评论']/text()").extract()
yield item
for i in range(1,10):
url="http://category.dangdang.com/pg"+str(i)+"-cid4011029.html" yield Request(url,callback=self.parse)
编写pipelines.py
import codecs #导入codecs模块直接进行解码
import json class AutoproPipeline(object): def __init__(self):
self.file = codecs.open("/root/mydata.json",'wb',encoding="utf-8") #表示将爬取结果写到json文件里 def process_item(self, item, spider): #process_item为pipelines中的主要处理方法,默认会自动调用
for i in range(0,len(item["name"])):
name = item['name'][i]
price = item['price'][i]
comnum = item['comnum'][i]
link = item['link'][i]
goods = {"name":name,"price":price,"comnum":comnum,"link":link}
i = json.dumps(dict(goods),ensure_ascii=False)
line = i+'\n'
self.file.write(line)
return item def close_spider(self,spider):
self.file.close()
设置settings.py
ROBOTSTXT_OBEY = False #表示不遵循robots协议
COOKIES_ENABLED = False #禁止cookie
#开启pipelines
ITEM_PIPELINES = {
'autopro.pipelines.AutoproPipeline': 300,
}
结果:
CrawlSpider
crawlspider是scrapy框架自带爬取网页的爬虫,可以实现网页的自动爬取
创建crawlspider 爬虫文件
crapy genspider -t crawl test_crawl jd.com
test_crawl.py
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule class TestCrawlSpider(CrawlSpider):
name = 'test_crawl'
allowed_domains = ['jd.com']
start_urls = ['http://jd.com/'] #链接提取器 ,allow 为自定义设置的爬行规则,follow表示跟进爬取。即发现新的链接继续爬行,allow_domains表示允许爬行的连接
rules = (
Rule(LinkExtractor(allow=r'Items/'),allow_domains=(aa.com) callback='parse_item', follow=True),
) def parse_item(self, response):
i = {}
#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
#i['name'] = response.xpath('//div[@id="name"]').extract()
#i['description'] = response.xpath('//div[@id="description"]').extract()
return i
scrapy基础二的更多相关文章
- Python全栈开发【基础二】
Python全栈开发[基础二] 本节内容: Python 运算符(算术运算.比较运算.赋值运算.逻辑运算.成员运算) 基本数据类型(数字.布尔值.字符串.列表.元组.字典) 其他(编码,range,f ...
- Bootstrap <基础二十九>面板(Panels)
Bootstrap 面板(Panels).面板组件用于把 DOM 组件插入到一个盒子中.创建一个基本的面板,只需要向 <div> 元素添加 class .panel 和 class .pa ...
- Bootstrap <基础二十八>列表组
列表组.列表组件用于以列表形式呈现复杂的和自定义的内容.创建一个基本的列表组的步骤如下: 向元素 <ul> 添加 class .list-group. 向 <li> 添加 cl ...
- Bootstrap<基础二十七> 多媒体对象(Media Object)
Bootstrap 中的多媒体对象(Media Object).这些抽象的对象样式用于创建各种类型的组件(比如:博客评论),我们可以在组件中使用图文混排,图像可以左对齐或者右对齐.媒体对象可以用更少的 ...
- Bootstrap <基础二十六>进度条
Bootstrap 进度条.在本教程中,你将看到如何使用 Bootstrap 创建加载.重定向或动作状态的进度条. Bootstrap 进度条使用 CSS3 过渡和动画来获得该效果.Internet ...
- Bootstrap <基础二十五>警告(Alerts)
警告(Alerts)以及 Bootstrap 所提供的用于警告的 class.警告(Alerts)向用户提供了一种定义消息样式的方式.它们为典型的用户操作提供了上下文信息反馈. 您可以为警告框添加一个 ...
- Bootstrap<基础二十四> 缩略图
Bootstrap 缩略图.大多数站点都需要在网格中布局图像.视频.文本等.Bootstrap 通过缩略图为此提供了一种简便的方式.使用 Bootstrap 创建缩略图的步骤如下: 在图像周围添加带有 ...
- Bootstrap <基础二十三>页面标题(Page Header)
页面标题(Page Header)是个不错的功能,它会在网页标题四周添加适当的间距.当一个网页中有多个标题且每个标题之间需要添加一定的间距时,页面标题这个功能就显得特别有用.如需使用页面标题(Page ...
- Bootstrap <基础二十二>超大屏幕(Jumbotron)
Bootstrap 支持的另一个特性,超大屏幕(Jumbotron).顾名思义该组件可以增加标题的大小,并为登陆页面内容添加更多的外边距(margin).使用超大屏幕(Jumbotron)的步骤如下: ...
随机推荐
- Vue获取dom和数据监听
Vue获取dom对象 在js和jq中我们都能获取dom对象例如 // 获取id=1的div标签 <div id=d1>dom对象</div> // js语法 let ele = ...
- Linux 集锦(持续更新中)
// 获取文件夹下的代码总行数 find . -name "*.*" | xargs wc -l // ls 排序 ls -lt 按照最后修改时间降序 ls -lrt 按照时间升序 ...
- Codeforces Round #449 Div. 1
B:注意到nc/2<=m,于是以c/2为界决定数放在左边还是右边,保证序列满足性质的前提下替换掉一个数使得其更靠近边界即可. #include<iostream> #include& ...
- Codeforces 768B B. Code For 1
参考自:https://www.cnblogs.com/ECJTUACM-873284962/p/6423483.html B. Code For 1 time limit per test:2 se ...
- 不可解问题之停机问题(Undecidable Problem Halting Problem)
计算机技术已运用到人类生活的方方面面,帮助人类解决各种问题.可你是否有想过,计算机是否能为人类解决所有问题呢? 假如你是一个程序猿,你已编写过很多程序.有些程序一下子就能出结果,有些程序则好久都没有显 ...
- Ionic3 新增 Service
service是单例模式的 新增Service类 search.service.ts import {Injectable} from '@angular/core'; @Injectable() e ...
- Mac 部分软件介绍
1.Pickle可帮你轻松的安装 PHP 扩展,支持所有平台.基于 Composer(PHP的依赖管理器)开发.-----------扩展安装 2.composer parallel install ...
- MT【296】必要性探路
已知$a,b\in R.f(x)=e^x-ax+b$,若$f(x)\ge1$恒成立,则$\dfrac{b-a}{a}$的取值范围_____ 提示:答案:$[-1,\infty)$取$x=0,b\ge0 ...
- Java和操作系统交互细节
结合 CPU 理解一行 Java 代码是怎么执行的 根据冯·诺依曼思想,计算机采用二进制作为数制基础,必须包含:运算器.控制器.存储设备,以及输入输出设备,如下图所示. enter image des ...
- IntelliJ IDEA快捷键总结
原文: IntelliJ IDEA快捷键 下面只列出Windows系统下的快捷键,Mac下的快捷键参考上面的链接. Remember these Shortcuts 功能 快捷键 Smart code ...