scrapy 一个很好用的python爬虫框架
开发环境:python3.6 + centos 7
安装scrapy: pip install scrapy
爬虫网站: http://www.bsriceones.ga
首先我们创建一个工程:
scrapy startproject bsriceones
然后 我们cd bsriceones 进入这个工程,在改目录下,我们创建一个html文件夹来保存一会爬下来的网页的源码,在cd spider进入我们的爬虫文件,我们来写需要爬虫的网站的商品的源码下载。
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re,time
class BselSpider(CrawlSpider):name = 'bs'allowed_domains = ['bsriceones.ga']start_urls = ['http://www.bsriceones.ga/']#规则:将需要点击的网址按规则一条一条写入,以下规则写入两条,一条是标题栏以及翻页的信息,一条是商品信息,并调用回调函数parse_item,这里来简单的,进行源码保存rules=(Rule(LinkExtractor(allow=r'http://www.bsriceones.ga/[a-zA-Z0-9-]+/[a-zA-Z0-9-]+'), callback='parse_item', follow=True),#不需要回调函数 因为规则可以做到Rule(LinkExtractor(allow=r'http://www.bsriceones.ga/[a-zA-Z0-9-]+/'),follow=True),#Rule(LinkExtractor(allow=r'http://www.bsriceones.ga/[a-zA-Z0-9-]+/.*page=\d+'), follow=True),)def parse_item(self, response):html_name = re.findall(r'p-\d+',response.url)[0]print("-------------------------------------")print(response.url)print(html_name)print("-------------------------------------")with open("/samba/xww/py/pytest/bsriceones/bsriceones/bsriceones/html/"+html_name+".html",'wb') as f:f.write(response.body)
然后我们cd ../ 回到上级目录,打开setting文件,修改一下信息
#将这个改false
ROBOTSTXT_OBEY = False #带上ua信息,可以在网页请求该网址的时候,将出现的ua信息copy下来,并带上referer参数,跟上你要爬的域名。
DEFAULT_REQUEST_HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en','User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36', 'Referer':'http://www.bsriceones.ga',
}
然后scrapy crawl bs 或者 scrapy runspider bs.py 就可以运行程序啦,一会你的html文件夹里面就有商品的源码啦。
上面只是一个简单程序,爬虫网页商品信息的源码。
当然你还可以对源码进行操作,将源码的你需要的字段(标题,价格,描述...)进行提取,存进mongo数据库(我比较习惯用mongo数据库,大家可以进行相应的选择)里面。
mongo:
稍微再提一下,如果你们想存mongo,首先安装mongo
pip install pymongo
然后再将mongo模块引入,数据库地址连接,就可以进行你们的增删改查操作了,具体操作我就不说了,看mongo官网文档地址,非常详细。
from pymongo import MongoClient
client = MongoClient('mongodb://数据库地址:27017/')
db=client.product
代理:
有时候爬虫的时候,大量高并发的采集数据会碰到封ip,这时候我们就要使用代理。大家可以去买代理,我自己这边整理了一份代理ip的txt文件,直接使用就好,买的也是一样。有代理的怎么使用呢?在middlewares.py文件里面进行代理的配置。
import request,json,random,datetime
class BsspiderProxyIPLoadMiddleware(object):def __init__(self):self.proxy = ""self.expire_datetime=datetime.datetime.now()-datetime.timedelta(minutes=1)#self._get_proxyip() def _get_proxyip(self):#代理形式 ip:端口号 一个一行f=open("proxy.txt")proxys= f.read().split("\n")p = random.sample(proxys,1)[0]print("proxy:",p)self.proxy = pself.expire_datetime = datetime.datetime.now()+datetime.timedelta(minutes=1)def _check_expire(self):if datetime.datetime.now() >= self.expire_datetime:self._get_proxyip()print("切换ip")def process_request(self,spider,request):self._check_expire()request.meta['proxy']="http://"+self.proxy
然后配置好下载器中间件,我们就要到setting文件注册一下
DOWNLOADER_MIDDLEWARES = {'middlewares所在文件的位置.middlewares.某某某spiderProxyIPLoadMiddleware': 543
}
其实scrapy这个框架很好用的,我们可以先看文档,边看边学边敲,碰到不理解的,我们可以继续往下看,等全看完了,我们回来再看第二遍,从头开始,发现就很简单啦!
文档地址:
scrapy:https://docs.scrapy.org/en/latest/
mongo:https://docs.mongodb.com/