导读：如何使用scrapy框架实现爬虫的4步曲？什么是CrawSpider模板？如何设置下载中间件？如何实现Scrapyd远程部署和监控？想要了解更多，下面让我们来看一下如何具体实现吧！
Scrapy安装（mac）
|
1
|
pip install scrapy |
注意：不要使用commandlinetools自带的python进行安装，不然可能报架构错误；用brew下载的python进行安装。
Scrapy实现爬虫
新建爬虫
scrapy startproject demoSpider，demoSpider为项目名。
确定目标
编写items.py，如添加目标字段：person = scrapy.Field()
制作爬虫
scrapy genspider demo "baidu.com"，创建demo爬虫文件，指定爬取域。
修改demo.py里的start_urls的地址为自己想爬取的地址如：https://www.cnblogs.com/teark/
随意修改parse()方法，如保存所爬取的页面，可以这样：
|
1
2
3
|
def parse(self, response): with open("teark.html", "w") as f: f.write(response.text) |
运行爬虫，看看效果：scrapy crawl demo
有了保存的页面后（可注释掉或删掉保存页面的代码），根据页面结构提取所需数据，一般用xpath表达式，如：
|
1
2
3
4
5
6
7
8
|
def parse(self, response): for _ in response.xpath("//div[@class='teark_article']"): item = ItcastItem() title = each.xpath("h3/text()").extract() content = each.xpath("p/text()").extract() item['title'] = title[0] item['content'] = content[0] yield item |
保存数据：scrapy crawl demo -o demo.json（以下格式都行：jsonl，jsonl，csv，xml）
注：该过程在取值中经常需要页面调试，使用scrapy shell（最好先安装ipython，有语法提示），调试好了再放到代码里，如：
|
1
2
3
|
scrapy shell "https://www.cnblogs.com/teark/"response.xpath('//*[@class="even"]')print site[0].xpath('./td[2]/text()').extract()[0] |
处理内容
pipline常用来存储内容，pipline.py中必须实现process_item()方法，该方法必须返回Item对象，如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import jsonclass ItcastJsonPipeline(object): def __init__(self): self.file = open('demo.json', 'wb') def process_item(self, item, spider): content = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(content) return item def close_spider(self, spider): self.file.close() |
在settings.py中添加ITEM_PIPELINES配置，如：
|
1
2
3
|
ITEM_PIPELINES = { "demoSpider.pipelines.DemoJsonPipeline":300} |
重新启动爬虫：scrapy crawl demo，看看当前目录是否生成demo.json
CrawlSpiders
CrawlSpider是spider的派生类，为了从爬取的网页中获取link并继续爬取。
快速创建 CrawlSpider模板：scrapy genspider -t crawl baidu baidu.com
Rule类制定了爬取规则；LinkExtractors类为了提取链接，如：
|
1
2
3
4
5
6
7
|
scrapy shell "http://teark.com/article.php?&start=0#a"from scrapy.linkextractors import LinkExtractor# 注意转义字符&page_lx = LinkExtractor(allow=('comment.php?\&start=\d+'))page_lx.extract_links(response) |
测试完后就知道了allow和rules了，修改spider代码：
|
1
2
3
4
5
6
7
|
#提取匹配 'http://teark.com/article.php?&start=\d+'的链接page_lx = LinkExtractor(allow = ('start=\d+'))rules = [ #提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True) Rule(page_lx, callback = 'parseContent', follow = True)] |
注：callback 千万不能写 'parse'
Logging
添加日志功能：settings.py中添加如下：
|
1
2
3
4
|
LOG_FILE = "DemoSpider.log"# 还有CRITICAL, ERROR, WARNING DEBUG等级别LOG_LEVEL = "INFO" |
FormRequest
该方法用来发送POST请求，在spider.py中如下：
|
1
2
3
4
5
6
7
|
def start_requests(self): url = 'http://www.renren.com/PLogin.do' yield scrapy.FormRequest( url = url, formdata = {"email" : "teark@9133***34.com", "password" : "**teark**"}, callback = self.parse_page ) |
模拟登陆：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import scrapyclass LoginSpider(scrapy.Spider): name = 'demo.com' start_urls = ['http://www.demo.com/users/login.php'] def parse(self, response): return scrapy.FormRequest.from_response( response, formdata={'username': 'teark', 'password': '***'}, callback=self.after_login ) def after_login(self, response): # 检查登陆成功还是失败 if "authentication failed" in response.body: self.log("Login failed", level=log.ERROR) return |
Downloader Middlewares
防止爬虫被反策略
设置随机User-Agent
禁用Cookies，可以通过COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭
设置延迟下载降低频率
使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据
使用IP地址池——VPN和代理IP
使用cralera（专用于爬虫的代理组件），配置中间件后请求都是通过crawlera发出的
设置下载中间件——Downloader Middlewares
键为中间件类的路径，值为其中间件的顺序(order)
|
1
2
3
|
DOWNLOADER_MIDDLEWARES = { 'mySpider.middlewares.MyDownloaderMiddleware': 543,} |
当请求通过下载中间件时，process_request方法被调用；当下载中间件完成请求后传递响应给引擎时process_response方法被调用。
在settings.py同级目录下创建middlewares.py文件，如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import randomimport base64from settings import USER_AGENTSfrom settings import PROXIESclass RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) request.headers.setdefault("User-Agent", useragent)class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy['user_passwd'] is None: request.meta['proxy'] = "http://" + proxy['ip_port'] else: base64_userpasswd = base64.b64encode(proxy['user_passwd']) request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port'] |
与代理服务器连接需要使用base64编码，如果有需要身份验证的话还需要加上授权信息，
修改settings.py配置USER_AGENTS和PROXIES
免费代理IP上网搜，或购买可用的私密代理IP
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
USER_AGENTS = ["Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5" ]PROXIES = [ {'ip_port': '111.8.60.9:8123', 'user_passwd': 'user1:pass1'}, {'ip_port': '101.71.27.120:80', 'user_passwd': 'user2:pass2'}, {'ip_port': '122.96.59.104:80', 'user_passwd': 'user3:pass3'}, ]# 禁用cookiesCOOKIES_ENABLED = False# 设置下载延迟DOWNLOAD_DELAY = 3# 添加自己编写的下载中间件DOWNLOADER_MIDDLEWARES = { #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543, 'mySpider.middlewares.RandomUserAgent': 1, 'mySpider.middlewares.ProxyMiddleware': 100} |
Scrapyd - 爬虫的远程部署和监控
安装Scrapyd
|
1
2
|
sudo pip install scrapydsudo pip install scrapyd-client |
修改scrapyd的配置文件
启用scrapyd配置，在deploy后面指定当前项目的Scrapyd配置名，配置Scrapyd服务的ip和port，以及当前项目的项目名，如：
|
1
|
sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf |
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# scrapy项目的settings文件位置，不用改动[settings]default = Demo.settings# Scrapyd_Tencent是配置名[deploy:Scrapyd_Demo] # 若是本机Scrapyd服务部署，则使用localhost即可否则使用服务主机的ipurl = http://localhost:6800/# 需要部署和监控的Scrapy项目名project = Demo |
通过Scrapyd客户端工具挂载项目
指令：scrapyd-deploy Scrapyd_Demo -p Demo
scrapyd-deploy 是客户端命令，参数是 Scrapyd配置名，以及 -p 指定项目名
远程部署和停止爬虫
部署：curl http://localhost:6800/schedule.json -d project=Demo -d spider=demo
停止：curl http://localhost:6800/cancel.json -d project=Demo -d job=iundsw....
注：爬虫启动成功后，会生成job值，停止爬虫时需要通过job值停止。
以上就是python Scrapy爬虫框架的使用的详细内容，更多关于python Scrapy爬虫框架的资料请关注服务器之家其它相关文章！
原文链接：https://www.cnblogs.com/teark/p/14290334.html
