Scrapy爬虫框架,scrapy+selenium
本文主要介绍Scrapy integration selenium和scarpy爬虫框架的综合说明。有需要的朋友可以借鉴一下,希望能有所帮助。祝大家进步很大,早日升职加薪。
00-1010一、建筑概论二。安装、创建和启动介绍。配置文件目录介绍。数据的抓取和分析五、保存到文件的数据的持久性保存到redis保存到MongoDB保存到mysql VI。动作链,滑动验证码VII。提高爬行效率。假用户代理池IX。中间件配置流程_异常错误处理流程_请求加代理、添加cookie等。十、硒XI的整合。指纹和Bloom filter实现增量抓取URL指纹Bloom filter XII。分布式爬虫XIII。爬虫框架全站爬行用例
目录
Scrapy是一个开源的协作框架,最初是为页面抓取(更确切地说是web抓取)而设计的。使用它,我们可以以快速、简单和可扩展的方式从网站中提取所需的数据。不过目前Scrapy已经有了广泛的应用,比如数据挖掘、监控、自动化测试等领域。它还可以用于获取API(例如,Amazon Associates Web Services)或通用网络爬虫返回的数据。
Scrapy是基于twisted framework开发的,这是一个流行的事件驱动的python网络框架。因此,Scrapy使用非阻塞(也称为异步)代码来实现并发。整体架构大致如下
IO多路复用
#工程师(EGINE)(总经理)
该引擎负责控制系统所有组件之间的数据流,并在特定操作发生时触发事件。有关更多信息,请参见上面的数据流部分。
#调度程序(调度程序)
它用于接受引擎发送的请求,将其推入队列,并在引擎再次请求时返回。它可以被认为是一个URL的优先级队列,它决定了下一个要抓取的URL并删除重复的URL。
#下载者(下载者)
用于下载网页内容并返回给EGINE,下载器基于twisted,一种高效的异步模型。
#爬虫(蜘蛛)
蜘蛛是开发人员定义的类,用于解析响应、提取项目或发送新请求。
#项目管道(项目管道)
项目提取出来后,负责处理,主要包括清理、验证、持久化(比如保存到数据库)等操作。
# 2中间件
-爬虫中间件
-下载中间件(最常用的,header,proxy,cookie和selenium集成)
一、架构介绍
# 1框架不是一个模块。
# 2被称为爬行动物世界的django(你会发现它和django的很多地方一样)
# 3安装
-mac,linux平台:pip3安装scrapy
-windows平台:pip3安装scrapy(大多数人可以)
-如果失败:
1.pip3 install wheel #安装后,可以通过wheel文件安装软件,该文件在https://www.lfd.uci.edu/~gohlke/pythonlibs,官网
3、pip3安装lxml
4、pip3安装pyopenssl
5.下载并安装py win32:https://sourceforge.net/projects/pywin32/fil
es/pywin32/
6、下载twisted的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
8、pip3 install scrapy
# 4 在script文件夹下会有scrapy.exe可执行文件
-创建scrapy项目:scrapy startproject 项目名 (django创建项目)
-创建爬虫:scrapy genspider 爬虫名 要爬取的网站地址 # 可以创建多个爬虫
# 5 命令启动爬虫
-scrapy crawl 爬虫名字
-scrapy crawl 爬虫名字 --nolog # 没有日志输出启动
# 6 文件执行爬虫(推荐使用)
-在项目路径下创建一个main.py,右键执行即可
from scrapy.cmdline import execute
# execute([scrapy,crawl,chouti,--nolog]) # 没有设置日志级别
execute([scrapy,crawl,chouti]) # 设置了日志级别
三、配置文件目录介绍
-crawl_chouti # 项目名-crawl_chouti # 跟项目一个名,文件夹
-spiders # spiders:放着爬虫 genspider生成的爬虫,都放在这下面
-__init__.py
-chouti.py # 抽屉爬虫
-cnblogs.py # cnblogs 爬虫
-items.py # 对比django中的models.py文件 ,写一个个的模型类
-middlewares.py # 中间件(爬虫中间件,下载中间件),中间件写在这
-pipelines.py # 写持久化的地方(持久化到文件,mysql,redis,mongodb)
-settings.py # 配置文件
-scrapy.cfg # 不用关注,上线相关的
# 配置文件settings.py
ROBOTSTXT_OBEY = False # 是否遵循爬虫协议,强行运行
USER_AGENT = Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36 # 请求头中的ua,去浏览器复制,或者用ua池拿
LOG_LEVEL=ERROR # 这样配置,程序错误信息才会打印,
#启动爬虫直接 scrapy crawl 爬虫名 就没有日志输出
# scrapy crawl 爬虫名 --nolog # 配置了就不需要这样启动了
# 爬虫文件
class ChoutiSpider(scrapy.Spider):
name = chouti # 爬虫名字
allowed_domains = [https://dig.chouti.com/] # 允许爬取的域,想要多爬就注释掉
start_urls = [https://dig.chouti.com/] # 起始爬取的位置,爬虫一启动,会先向它发请求
def parse(self, response): # 解析,请求回来,自动执行parser,在这个方法中做解析
print(---------------------------,response)
四、爬取数据,并解析
# 1 解析,可以使用bs4解析from bs4 import BeautifulSoup
soup=BeautifulSoup(response.text,lxml)
soup.find_all() # bs4解析
soup.select() # css解析
# 2 内置的解析器
response.css
response.xpath
# 内置解析
# 所有用css或者xpath选择出来的都放在列表中
# 取第一个:extract_first()
# 取出所有extract()
# css选择器取文本和属性:
# .link-title::text # 取文本,数据都在data中
# .link-title::attr(href) # 取属性,数据都在data中
# xpath选择器取文本和属性
# .//a[contains(@class,"link-title")/text()]
#.//a[contains(@class,"link-title")/@href]
# 内置css选择期,取所有
div_list = response.css(.link-con .link-item)
for div in div_list:
content = div.css(.link-title).extract()
print(content)
五、数据持久化
# 方式一(不推荐)-1 parser解析函数,return 列表,列表套字典
# 命令 (支持:(json, jsonlines, jl, csv, xml, marshal, pickle)
# 数据到aa.json文件中
-2 scrapy crawl chouti -o aa.json
# 代码:
lis = []
for div in div_list:
content = div.select(.link-title)[0].text
lis.append({title:content})
return lis
# 方式二 pipline的方式(管道)
-1 在items.py中创建模型类
-2 在爬虫中chouti.py,引入,把解析的数据放到item对象中(要用中括号)
-3 yield item对象
-4 配置文件配置管道
ITEM_PIPELINES = {
# 数字表示优先级(数字越小,优先级越大)
crawl_chouti.pipelines.CrawlChoutiPipeline: 300,
crawl_chouti.pipelines.CrawlChoutiRedisPipeline: 301,
}
-5 pipline.py中写持久化的类
spider_open # 方法,一开始就打开文件
process_item # 方法,写入文件
spider_close # 方法,关闭文件
保存到文件
# choutiaa.py 爬虫文件import scrapy
from chouti.items import ChoutiItem # 导入模型类
class ChoutiaaSpider(scrapy.Spider):
name = choutiaa
# allowed_domains = [https://dig.chouti.com/] # 允许爬取的域
start_urls = [https://dig.chouti.com//] # 起始爬取位置
# 解析,请求回来,自动执行parse,在这个方法中解析
def parse(self, response):
print(----------------,response)
from bs4 import BeautifulSoup
soup = BeautifulSoup(response.text,lxml)
div_list = soup.select(.link-con .link-item)
for div in div_list:
content = div.select(.link-title)[0].text
href = div.select(.link-title)[0].attrs[href]
item = ChoutiItem() # 生成模型对象
item[content] = content # 添加值
item[href] = href
yield item # 必须用yield
# items.py 模型类文件
import scrapy
class ChoutiItem(scrapy.Item):
content = scrapy.Field()
href = scrapy.Field()
# pipelines.py 数据持久化文件
class ChoutiPipeline(object):
def open_spider(self, spider):
# 一开始就打开文件
self.f = open(a.txt, w, encoding=utf-8)
def process_item(self, item, spider):
# print(item)
# 写入文件的操作
self.f.write(item[content])
self.f.write(item[href])
self.f.write(\n)
return item
def close_spider(self, spider):
# 写入完毕,最后关闭文件
self.f.close()
# setting.py
ITEM_PIPELINES = {
# 数字表示优先级,越小优先级越高
chouti.pipelines.ChoutiPipeline: 300,
chouti.pipelines.ChoutiRedisPipeline: 301,
}
保存到redis
# settings.psITEM_PIPELINES = {
# 数字表示优先级,越小优先级越高
chouti.pipelines.ChoutiPipeline: 300,
chouti.pipelines.ChoutiRedisPipeline: 301,
}
# pipelines.py
# 保存到redis
from redis import Redis
class ChoutiRedisPipeline(object):
def open_spider(self, spider):
# 不写参数就用默认配置
self.conn = Redis(password=123) # 一开始就拿到redis对象
def process_item(self, item, spider):
print(item)
import json
s = json.dumps({content: item[content], href: item[href]})
self.conn.hset(choudi_article, item[id], s)
return item
def close_spider(self, spoder):
pass
# self.conn.close()
# chouti.py
import scrapy
from chouti.items import ChoutiItem # 导入模型类
class ChoutiaaSpider(scrapy.Spider):
name = choutiaa
# allowed_domains = [https://dig.chouti.com/] # 允许爬取的域
start_urls = [https://dig.chouti.com//] # 起始爬取位置
# 解析,请求回来,自动执行parse,在这个方法中解析
def parse(self, response):
print(----------------,response)
from bs4 import BeautifulSoup
soup = BeautifulSoup(response.text,lxml)
div_list = soup.select(.link-con .link-item)
for div in div_list:
content = div.select(.link-title)[0].text
href = div.select(.link-title)[0].attrs[href]
id = div.attrs[data-id]
item = ChoutiItem() # 生成模型对象
item[content] = content # 添加值
item[href] = href
item[id] = id
yield item # 必须用yield
保存到MongoDB
#一.下载并安装mongodbpip install pymongo
#二、在settings中打开PIPELINES并把数据库相应配置写入ITEM_PIPELINES = {
<spider_name>.pipelines.ChoutiPipeline: 300,
}
MONGODB_HOST = 127.0.0.1
# 端口号,默认27017
MONGODB_PORT = 27017
# 设置数据库名称
MONGODB_DBNAME = Chouti
# 存放本数据的表名称
MONGODB_DOCNAME = Chouti
#三.修改pipelines文件import pymongo
from scrapy.utils.project import get_project_settings
settings = get_project_settings()
class DouluodaluPipeline(object):
def __init__(self):
# 获取setting主机名、端口号和数据库名称
host = settings[MONGODB_HOST]
port = settings[MONGODB_PORT]
dbname = settings[MONGODB_DBNAME]
# 创建数据库连接
client = pymongo.MongoClient(host=host,port=port)
# 指向指定数据库
mdb = client[dbname]
# 获取数据库里面存放数据的表名
self.post = mdb[settings[MONGODB_DOCNAME]]
def process_item(self, item, spider):
data = dict(item)
# 向指定的表里添加数据
self.post.insert(data)
return item
保存到mysql
import pymysql.cursorsclass MySQLPipeline(object):
def __init__(self):
# 连接数据库
self.connect = pymysql.connect(
host=127.0.0.1, # 数据库地址
port=3306, # 数据库端口
db=scrapyMysql, # 数据库名
user=root, # 数据库用户名
passwd=root, # 数据库密码
charset=utf8, # 编码方式
use_unicode=True)
# 通过cursor执行增删查改
self.cursor = self.connect.cursor()
def process_item(self, item, spider):
self.cursor.execute(
"""insert into mingyan(tag, cont)
value (%s, %s)""", # 纯属python操作mysql知识,不熟悉请恶补
(item[tag], # item里面定义的字段和表字段对应
item[cont],))
# 提交sql语句
self.connect.commit()
return item # 必须实现返回
六、动作链,控制滑动的验证码
from selenium import webdriverfrom selenium.webdriver import ActionChains
import time
bro=webdriver.Chrome(executable_path=./chromedriver)
bro.get(https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable)
bro.implicitly_wait(10)
#切换frame(很少)
bro.switch_to.frame(iframeResult)
div=bro.find_element_by_xpath(//*[@id="draggable"])
# 1 生成一个动作练对象
action=ActionChains(bro)
# 2 点击并夯住某个控件
action.click_and_hold(div)
# 3 移动(三种方式)
# action.move_by_offset() # 通过坐标(x,y)
# action.move_to_element() # 到另一个标签
# action.move_to_element_with_offset() # 到另一个标签,再偏移一部分
for i in range(5):
action.move_by_offset(10,10)
# 4 真正的移动
action.perform()
# 5 释放控件(松开鼠标)
action.release()
async def login():
for res in setting.user:
try:
username = res[0]
password = res[1]
# headless参数设为False,则变成有头模式
browser = await launch(
{headless: False}
)
# 打开一个页面
page = await browser.newPage()
await page.setViewport(viewport={width: 1280, height: 800})
res = await page.goto(https://login.taobao.com/, options={timeout: 10000})
await page.type(#fm-login-id, username)
await page.type(#fm-login-password, password)
await page.waitFor(1000) # 等待时间
slider = await page.querySelector(#nc_1_n1z) # 是否有滑块
if slider:
try:
print(有滑块)
await page.hover(#nc_1_n1z) # 不同场景的验证码模块能名字不同。
await page.mouse.down()
await page.mouse.move(2000, 0, {delay: random.randint(1000, 2000)})
await page.mouse.up()
except Exception as e:
print(e)
input(验证失败,人工登录:)
else:
print(没有滑块)
await page.click("#login-form > div.fm-btn > button") # 点击登录
input(进入登录成功页面后,按回车:)
return page
except Exception as e:
continue
七、提高爬取效率
- 在配置文件中进行相关的配置即可:(默认还有一套setting)#1 增加并发:
默认scrapy开启的并发线程为32个,可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
#2 提高日志级别:
在运行scrapy时,会有大量日志信息的输出,为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写:LOG_LEVEL = ‘INFO
# 3 禁止cookie:
如果不是真的需要cookie,则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率,提升爬取效率。在配置文件中编写:COOKIES_ENABLED = False
# 4禁止重试:
对失败的HTTP进行重新请求(重试)会减慢爬取速度,因此可以禁止重试。在配置文件中编写:RETRY_ENABLED = False
# 5 减少下载超时:
如果对一个非常慢的链接进行爬取,减少下载超时可以能让卡住的链接快速被放弃,从而提升效率。在配置文件中进行编写:DOWNLOAD_TIMEOUT = 10 超时时间为10s
八、fake-useragent池
# pip3 install fake-useragentfrom fake_useragent import UserAgent
ua = UserAgent(verify_ssl=False)
print(ua.random) # 随机获取一个UserAgent
九、中间件配置
#大中间件:下载中间件,爬虫中间件# 1 写在middlewares.py中(名字随便命名)
# 2 配置生效()
# 爬虫中间件
SPIDER_MIDDLEWARES = {
cnblogs_crawl.middlewares.CnblogsCrawlSpiderMiddleware: 543,
}
# 下载中间件
DOWNLOADER_MIDDLEWARES = {
cnblogs_crawl.middlewares.CnblogsCrawlDownloaderMiddleware: 543,
}
# 下载中间件
# 在cnblogs_crawl.middlewares.CnblogsCrawlDownloaderMiddleware中有五个方法
# 请求出去的时候
def process_request(self, request, spider)
# Must either:
# - return None: # 返回none继续处理,进入下一个中间件
# - return Response: 当次请求结束,把Response丢给引擎处理(可以自己爬,包装成Response)
# - return Request : 相当于把Request重新给了引擎,引擎再去做调度
# - 抛异常:执行process_exception
# 请求回来的时候
def process_response(self, request, response, spider)
# - return a Response object :继续处理当次Response,继续走后续的中间件
# - return a Request object:重新给引擎做调度
# - 抛异常:执行process_exception
# 请求异常的时候
def process_exception(self, request, exception, spider)
# - return None: 不处理异常,继续丢给下面
# - return a Response:停止异常处理,不丢给下面。给引擎。Response给爬虫分析数据
# - return a Request:停止异常处理,不丢给下面。给引擎。Request重新调度
process_exception 错误处理
class CnblogsSpider(scrapy.Spider):name = cnblogs4
allowed_domains = [www.cnblogs.com]
start_urls = [http://wwwsadasd.cnblogs.com/] # 错误的网址,报错走异常处理
# 走异常处理,重新返回一个正确的Request对象
def process_exception(self, request, exception, spider):
print(request.url) # http://wwwsadasd.cnblogs.com/
from scrapy.http import Request
return Request(http://www.cnblogs.com/,callback=spider.parser_detail)
process_request 加代理,加cookie等
def process_request(self, request, spider):# 1 加cookie(request.cookies就是访问该网站的cookie)
print(request.cookies)
request.cookies={name:"jeff",age:18} # 从你的cookie池中取出来的, 字典
print(request.cookies)
# 2 加代理
request.meta[proxy]=self.get_proxy() # 从代理池中获取一个
print(request.meta[proxy])
# 3 修改ua
from fake_useragent import UserAgent # ua模块,随机获取一个
ua = UserAgent(verify_ssl=False)
request.headers[User-Agent]=ua.random
print(request.headers)
# 代理池
def get_proxy(self):
import requests
ret=requests.get(http://0.0.0.0:5010/get).json()[proxy]
print(ret)
return ret
return None
十、集成selenium
#可在两个地方集成。#1.process_request(请求出去的时候) # 推荐写这里,少请求一次。直接集成封装
#2.process_response(请求回来的时候) # 不推荐,因为夺走了一次请求,回来再集成封装
# 方案一:缺点很大。每次一请求都要打开一个bro浏览器
def process_request(self, request, spider):
from selenium import webdriver
from scrapy.http import HtmlResponse
bro = webdriver.Chrome(executable_path=../chromedriver)
bro.get(request.url)
text = bro.page_source
response = HtmlResponse(url=request.url, body=text.encode(utf-8), status=200)
return response
# 方案二:改进为一开始就打开一个bro浏览器,后面都用这一个bro
class CnblogsSpider(scrapy.Spider):
name = cnblogs
from selenium import webdriver
# 在爬虫一开始就打开bro对象
bro = webdriver.Chrome(executable_path=../chromedriver)
# 在爬虫中新添加的方法:关闭bro
def close(spider, reason):
spider.bro.close() # 爬虫结束关闭
# 中间件中
def process_request(self, request, spider):
from scrapy.http import HtmlResponse
spider.bro.get(request.url) # 每个请求使用一个bro
text = spider.bro.page_source
response = HtmlResponse(url=request.url, body=text.encode(utf-8), status=200)
return response
十一、指纹和布隆过滤器实现增量爬取
什么是增量爬取?
-增量爬取(100链接,150个链接)
- -已经爬过的,放到某个位置(mysql,redis中:集合)
- -如果用默认的,爬过的地址,放在内存中,只要项目一重启,就没了,它也不知道我爬过那个了,所以要自己重写去重方案
-你写的去重方案,占得内存空间更小
-bitmap方案
-BloomFilter布隆过滤器
网址指纹
# 一、网址指纹from scrapy.http import Request
from scrapy.utils.request import request_fingerprint
# 这种网址是一个
request1 = Request(url=https://www.baidu.com/s?name=jeff&age=18)
request2 = Request(url=https://www.baidu.com/s?age=18&name=jeff)
ret1=request_fingerprint(requests1)
ret2=request_fingerprint(requests2)
print(ret1) # 6961985868392ae44c15ada494ddeda856cf75fc
print(ret2) # 6961985868392ae44c15ada494ddeda856cf75fc
布隆过滤器
# 安装# 1.需要先安装bitarray #下载地址:https://www.lfd.uci.edu/~gohlke/pythonlibs/
# 2.下载好之后 pip3 install 文件拖进去
# 3.pip3 install pybloom_live
#ScalableBloomFilter 可以自动扩容
from pybloom_live import ScalableBloomFilter
bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001, mode=ScalableBloomFilter.LARGE_SET_GROWTH)
url = "https://www.baidu.com/s?name=jeff&age=18"
url2 = "https://www.baidu.com/s?age=18&name=jeff"
bloom.add(url)
print(url in bloom)
print(url2 in bloom)
使用一:添加网址(不推荐)
#BloomFilter 是定长的from pybloom_live import BloomFilter
bf = BloomFilter(capacity=1000)
url=www.baidu.com
bf.add(url)
print(url in bf)
print("www.liuqingzheng.top" in bf)
使用二:添加网址指纹(推荐),配合指纹使用
from scrapy.http import Requestfrom scrapy.utils.request import request_fingerprint
from pybloom_live import BloomFilter
request1 = Request(url=https://www.baidu.com/s?name=jeff&age=18)
request2 = Request(url=https://www.baidu.com/s?age=18&name=jeff)
ret1=request_fingerprint(request1)
ret2=request_fingerprint(request2)
print(ret1) # 6961985868392ae44c15ada494ddeda856cf75fc
print(ret2) # 6961985868392ae44c15ada494ddeda856cf75fc
bf = BloomFilter(capacity=1000) # 1000容量
bf.add(ret2)
if ret1 in bf:
print(已经爬过此网站,True)
else:
bf.add(ret1) # 添加
print(还没有爬过此网站,返回false)
十二、分布式爬虫
github地址:https://github.com/rmax/scrapy-redis# 1 安装pip3 install scrapy-redis
# 源码部分,不到1000行,
# 1 原来的爬虫继承
from scrapy_redis.spiders import RedisSpider
class CnblogsSpider(RedisSpider):
#start_urls = [http://www.cnblogs.com/]
redis_key = myspider:start_urls # 起始地址为空,在redis中拿
# 2 在setting中配置
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
ITEM_PIPELINES = {
chouti.pipelines.Pipeline: 300, # 用自己的入库类,比如mysql中
# scrapy_redis.pipelines.RedisPipeline: 300 # 存在别人写好的redis入库类
}
REDIS_PARAMS = {password:123} # 如果redis有密码就配置
#其他更多配置见github
# 3 多台机器上启动scrapy
# 4 向reids中发送起始url
redis-cli lpush myspider:start_urls https://www.cnblogs.com
十三、爬虫框架全站爬取使用案例
可以同时启动两个爬虫,爬不同的网站。但是建议爬不同的网站新建项目
chouti.py 爬虫:
import scrapyfrom chouti.items import ChoutiItem # 导入模型类
class ChoutiaaSpider(scrapy.Spider):
name = choutiaa
# allowed_domains = [https://dig.chouti.com/] # 允许爬取的域
start_urls = [https://dig.chouti.com//] # 起始爬取位置
# 解析,请求回来,自动执行parse,在这个方法中解析
def parse(self, response):
print(----------------,response)
from bs4 import BeautifulSoup
soup = BeautifulSoup(response.text,lxml)
div_list = soup.select(.link-con .link-item)
for div in div_list:
content = div.select(.link-title)[0].text
href = div.select(.link-title)[0].attrs[href]
id = div.attrs[data-id]
item = ChoutiItem() # 生成模型对象
item[content] = content # 添加值
item[href] = href
item[id] = id
yield item # 必须用yield
cnblogs.py 爬虫:
# -*- coding: utf-8 -*-import scrapy
from bs4 import BeautifulSoup
from chouti.items import CnblogsItem # 导入模型类
from scrapy.http import Request
class CnblogsSpider(scrapy.Spider):
name = cnblogs
start_urls = [https://www.cnblogs.com/]
def parse(self, response):
print(------, response)
soup = BeautifulSoup(response.text, lxml)
div_list = soup.select(#post_list .post_item)
for div in div_list:
author = div.select(.post_item_foot a)[0].text
content_url = div.select(h3 a)[0].attrs[href]
title = div.select(h3)[0].text
content_summary = div.select(p)[0].text
item = CnblogsItem()
item[author] = author
item[content_url] = content_url
item[title] = title
item[content_summary] = content_summary
# print(f
# 作者:{author}
# 文章地址:{content_url}
# 标题:{title}
# 文章内容:{content_summary}
# )
# 继续往深一层爬取,传递给content_parse
yield Request(content_url, callback=self.content_parse, meta={item: item})
# 获取下一页的标签网址
next = soup.select(#paging_block > div > a:nth-last-child(1))[0].attrs[href]
next = https://www.cnblogs.com/+next
yield Request(next) # 继续爬取下一页
def content_parse(self, response):
item = response.meta.get(item)
content = response.css(#cnblogs_post_body).extract_first()
if not content:
content = response.css(content).extract_first()
item[content] = content
# print(item)
yield item
items.py 模型类:
# -*- coding: utf-8 -*-# Define here the models for your scraped items
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class ChoutiItem(scrapy.Item):
content = scrapy.Field()
href = scrapy.Field()
id = scrapy.Field()
class CnblogsItem(scrapy.Item):
author = scrapy.Field()
content_url = scrapy.Field()
title = scrapy.Field()
content_summary = scrapy.Field()
content = scrapy.Field()
pipelines.py 数据持久化文件
# -*- coding: utf-8 -*-# Define your item pipelines here
# Dont forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# 保存到文件
class Pipeline(object):
def open_spider(self, spider):
# choutiaa爬虫入库前
if spider.name == choutiaa:
# 一开始就打开文件
self.f = open(a.txt, w, encoding=utf-8)
# cnblog爬虫入库前
elif spider.name == cnblogs:
import pymysql
self.conn = pymysql.Connect(host=127.0.0.1, port=3306, db=cnblogs, user=root, password="123",autocommit=True)
def process_item(self, item, spider):
# choutiaa爬虫入库中
if spider.name == choutiaa:
# 写入文件的操作
self.f.write(item[content])
self.f.write(item[href])
self.f.write(item[id])
self.f.write(\n)
return item
# cnblog爬虫入库中
elif spider.name == cnblogs:
print(cnblogs入库中)
curser = self.conn.cursor()
sql = insert into article (author,content_url,title,content_summary,content) values (%s,%s,%s,%s,%s)
curser.execute(sql, (
item[author], item[content_url], item[title], item[content_summary], item[content]))
def close_spider(self, spider):
# choutiaa爬虫入库结束
if spider.name == choutiaa:
# 写入完毕,最后关闭文件
self.f.close()
# cnblog爬虫入库结束
elif spider.name == cnblogs:
print(cnblogs入库完毕)
self.conn.close()
main.py
from scrapy.cmdline import execute# execute([scrapy,crawl,choutiaa])
execute([scrapy,crawl,cnblogs])
以上就是scarpy爬虫框架集成selenium及详细讲解的详细内容,更多关于scarpy爬虫框架结构集成selenium的资料请关注盛行IT软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。