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
- linux查找符合条件的文件并删除
找到根目录下所有的以test开头的文件并把查找结果当做参数传给rm -rf命令进行删除: 1.find / -name “test*” |xargs rm -rf 2.find / -name “te ...
- Python小爬虫——抓取豆瓣电影Top250数据
python抓取豆瓣电影Top250数据 1.豆瓣地址:https://movie.douban.com/top250?start=25&filter= 2.主要流程是抓取该网址下的Top25 ...
- ARC 086 E - Smuggling Marbles(dp + 启发式合并)
题意 Sunke 有一棵 \(N + 1\) 个点的树,其中 \(0\) 为根,每个点上有 \(0\) 或 \(1\) 个石子, Sunke 会不停的进行如下操作直至整棵树没有石子 : 把 \(0\) ...
- 使用 Zabbix 监控 Jenkins
笔者最近的工作涉及到使用 Zabbix 监控 Jenkins.在谷歌上搜索到的文章非常少,能操作的就更少了.所以决定写一篇文章介绍如何使用 Zabbix 监控 Jenkins. 下图为整体架构图: 整 ...
- Hdoj 1087.Super Jumping! Jumping! Jumping!
Problem Description Nowadays, a kind of chess game called "Super Jumping! Jumping! Jumping!&quo ...
- 纯CSS画的基本图形(圆形、三角形、多边形、爱心、八卦等)
1.圆形 .circle { width: 100px; height: 100px; background: red; border-radius: 50px; } 2.椭圆 .oval { wid ...
- [WC2005]双面棋盘(并查集+分治)
题目描述 题解 唉,还是码力不行,写了一个多小时发现想错了又重构了一个多小时. 这道题意图很显然,动态维护联通块,有一个经典做法就是用LCT维护按照删除时间维护的最大生成树. 网上还有一种神奇的做法, ...
- socket,tcp,http三者之间的区别和原理
http.TCP/IP协议与socket之间的区别下面的图表试图显示不同的TCP/IP和其他的协议在最初OSI模型中的位置: 7 应用层 例如HTTP.SMTP.SNMP.FTP.Telnet.SIP ...
- Ecplise 快捷键笔记
1.显示出这个方法被哪些方法调用(Ctrl+Alt+H) 选中方法名,点右键,选“open call hierarchy”,其快捷键“Ctrl+Alt+H”,Eclipse就会显示出这个方法被哪些方法 ...
- Electron入门笔记(一)-自己快速搭建一个app demo
Electron学习-快速搭建app demo 作者: 狐狸家的鱼 Github: 八至 一.安装Node 1.从node官网下载 ,最好安装.msi后缀名的文件,新手可以查看安装教程进行安装. 2. ...