日韩黑丝制服一区视频播放|日韩欧美人妻丝袜视频在线观看|九九影院一级蜜桃|亚洲中文在线导航|青草草视频在线观看|婷婷五月色伊人网站|日本一区二区在线|国产AV一二三四区毛片|正在播放久草视频|亚洲色图精品一区

分享

收藏| Scrapy框架各組件詳細設置

 liqualife 2020-05-13

第一時間接收最新Python干貨!

早起Python推薦搜索
Python
Pandas
數(shù)據(jù)分析

大家好,關于Requests爬蟲我們已經(jīng)講了很多。今天我們就說一下Scrapy框架各組件的詳細設置方便之后更新Scrapy爬蟲實戰(zhàn)案例。

關于Scrapy

Scrapy是純Python語言實現(xiàn)的爬蟲框架,簡單、易用、拓展性高是其主要特點。這里不過多介紹Scrapy的基本知識點,主要針對其高拓展性詳細介紹各個主要部件的配置方法。其實也不詳細,不過應該能滿足大多數(shù)人的需求了 : )。當然,更多信息可以仔細閱讀官方文檔。首先還是放一張Scrapy數(shù)據(jù)流的圖供復習和參考。
接下來進入正題,有些具體的示例以某瓣spider為例。

創(chuàng)建命令

scrapy startproject <Project_name>
scrapy genspider <spider_name> <domains>
如果想要創(chuàng)建全網(wǎng)爬取的便捷框架crawlspider,則用如下命令:
scrapy genspider –t crawl <spider_name> <domains>

spider.py

首先介紹最核心的部件spider.py,廢話不多說,上代碼,看注釋

import scrapy
# 有些命令如果有python基礎的都明白,我不做過多介紹
import json
# 需要做持久化所以導入item,也可以根據(jù)文件夾名慢慢導入
from ..items import DoubanItem

class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['douban.com']
    # 對單個爬蟲設置請求頭
    custom_settings = {  
        '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/74.0.3729.169 Safari/537.36'
    }}
    
    # 很多時候并不需要重載這個函數(shù),如果需要定制化起始url或者單獨設置請求頭可以選擇重載
    def start_requests(self):
        page = 18
        base_url = 'https://xxxx'
        for i in range(page):
            url = base_url.format(i * 20)
            req = scrapy.Request(url=url, callback=self.parse)
            # 對某個請求添加請求頭,后面的請求如果要設置也是類似方法
            # req.headers['User-Agent'] = ''  
            yield req
            
    # 沒有特別要解釋,就是常規(guī)的頁面解析拋給...(看數(shù)據(jù)流就明白了)
    def parse(self, response):
        json_str = response.body.decode('utf-8')
        res_dict = json.loads(json_str)
        for i in res_dict['subjects']:
            url = i['url']
            yield scrapy.Request(url=url, callback=self.parse_detailed_page)
            
    # scrapy的response可以直接用xpath解析,基礎東西大家都懂不贅述
    def parse_detailed_page(self, response):
        title = response.xpath('//h1/span[1]/text()').extract_first()
        year = response.xpath('//h1/span[2]/text()').extract()[0]
        image = response.xpath('//img[@rel='v:image']/@src').extract_first()
        
        item = DoubanItem()
        item['title'] = title
        item['year'] = year
        item['image'] = image
        # 如果要下載圖片需要單獨設置,ImagePipelines,同樣在settings和pipelines都需要相應設置
        item['image_urls'] = [image]   
        yield item

如果是全網(wǎng)爬取,則框架中spiders的部分開頭會略有差別

rules = (Rule(LinkExtractor(allow=r'http:///digimon/.*/index.html'), callback='parse_item', follow=False),)

關鍵就是follow的設置了,是否到達既定深度和頁面需要自己把握。提一嘴,請求頭可以在三個地方設置,決定了請求頭的影響范圍

  1. 在settings中設置,范圍最大,影響整個框架的所有spider

  2. 在spiders類變量處設置,影響該spider的所有請求

  3. 在具體請求中設置,只影響該request

三處設置的影響范圍實際就是從全局到單個爬蟲到單個請求。如果同時存在則單個請求的headers設置優(yōu)先級最高!


items.py

import scrapy

class DoubanItem(scrapy.Item):
    title = scrapy.Field()
    year = scrapy.Field()
    image = scrapy.Field()
    # 下載圖片的ImagePipelines也需要設置items
    image_urls = scrapy.Field()   
    
    # 持久化存儲我選擇用mysql,不具體展開
    def get_insert_sql_and_data(self):
    # CREATE TABLE douban(
    # id int not null auto_increment primary key,
    # title text, `year` int, image text)ENGINE=INNODB DEFAULT CHARSET=UTF8mb4;
        insert_sql = 'INSERT INTO douban(title,`year`,image)' \     # 系統(tǒng)關鍵字需要加``
                     'VALUES(%s,%s,%s)'
        data = (self['title'],self['year'],self['image'])
        return (insert_sql, data)

middlewares.py

中間件就很靈性了,很多小伙伴也不一定用的到,但實際上在配置代理時很重要,一般需求不去配置SpiderMiddleware,主要針對DownloaderMiddleware進行修改

# 信號,這個名詞在scrapy自定義拓展中很重要
from scrapy import signals
# 本地配置的類,代碼見后續(xù),可以搭在自己的IP池上,也可以直接掛在收費IP(比如我)
from proxyhelper import Proxyhelper
# 多線程操作同一個對象需要鎖,用法就是實例化以后一鎖一釋放
from twisted.internet.defer import DeferredLock

class DoubanSpiderMiddleware(object): # spider中間件不設置
    pass

class DoubanDownloaderMiddleware(object):
    def __init__(self):
        # 對IP配置的代理和鎖都實例化
        self.helper = Proxyhelper()
        self.lock = DeferredLock()

    @classmethod
    def from_crawler(cls, crawler):  # 不修改
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        # request的數(shù)據(jù)流到達下載中間件的時候出發(fā)
        self.lock.acquire()
        request.meta['Proxy'] = self.helper.get_proxy()
        self.lock.release()
        return None

    def process_response(self, request, response, spider):
        # 對響應判斷,如果不符合就換代理重新請求
        if response.status != 200:   
            self.lock.acquire()
            self.helper.update_proxy(request.meta['Proxy'])
            self.lock.release()
            return request
        return response

    def process_exception(self, request, exception, spider):
        self.lock.acquire()
        self.helper.update_proxy(request.meta['Proxy'])
        self.lock.release()
        return request

    def spider_opened(self, spider):  # 不修改
        spider.logger.info('Spider opened: %s' % spider.name)
附上proxyhelper配置的代碼
import requests

class Proxyhelper(object):
    def __init__(self):
        self.proxy = self._get_proxy_from_xxx()

    def get_proxy(self):
        return self.proxy

    def update_proxy(self, proxy):
        if proxy == self.proxy:
            print('Updating a proxy')
            self.proxy = self._get_proxy_from_xxx()

    def _get_proxy_from_xxx(self):
        url = '' # 此處修改url,最好是一次返回一個ip
        response = requests.get(url)
        return 'http://' + response.text.strip()

pipelines.py

# 載入本地的mysql持久化類,按需自己寫
from mysqlhelper import Mysqlhelper
# 載入ImagesPipeline便于重載,自定義一些功能
from scrapy.pipelines.images import ImagesPipeline
import hashlib
from scrapy.utils.python import to_bytes
from scrapy.http import Request

class DoubanImagesPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        request_lst = []
        for x in item.get(self.images_urls_field, []):
            req = Request(x)
            req.meta['movie_name'] = item['title']  # 獲取名字
            request_lst.append(req)
        return request_lst
    # 重載
    def file_path(self, request, response=None, info=None):
        image_guid = hashlib.sha1(to_bytes(request.url)).hexdigest()
        return 'full/%s.jpg' % (request.meta['movie_name']) # 修改圖片名

# 無特殊,有些步驟在items已經(jīng)寫完,實現(xiàn)pipelines和items功能上的分離
class DoubanPipeline(object):
    def __init__(self):
        self.mysqlhelper = Mysqlhelper()

    def process_item(self, item, spider):
        if 'get_insert_sql_and_data' in dir(item):
            (insert_sql, data) = item.get_insert_sql_and_data()
            self.mysqlhelper.execute_sql(insert_sql, data)
        return item

setting.py

極其關鍵的部件,注釋已經(jīng)在代碼中標注

# 爬蟲名稱
BOT_NAME = 'Douban'

SPIDER_MODULES = ['Douban.spiders']
NEWSPIDER_MODULE = 'Douban.spiders'

# 客戶端請求頭
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'Douban (+http://www.)'

# Obey robots.txt rules
# 機器人協(xié)定
ROBOTSTXT_OBEY = False

# 并發(fā)請求數(shù)
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32


# 下載延遲
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
# 單域名和單IP并發(fā)數(shù),會覆蓋上面的設定
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
# 對爬蟲進行監(jiān)控
#TELNETCONSOLE_ENABLED = False
# TELNETCONSOLE_ENABLED = True
# TELNETCONSOLE_HOST = '127.0.0.1'
# TELNETCONSOLE_PORT = [6023,]
# 操作命令:cmd -> telent 127.0.0.1 6023-> est<>

# Override the default request headers:
# 默認請求頭,項目內所有爬蟲有效
# 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/74.0.3729.169 Safari/537.36'
# }


# 爬蟲中間件
# SPIDER_MIDDLEWARES = {
#    # 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': None
#    'Douban.middlewares.DoubanSpiderMiddleware': 543,
# }

# Enable or disable downloader middlewares
# See https://docs./en/latest/topics/downloader-middleware.html
# 下載中間件
DOWNLOADER_MIDDLEWARES = {
   'Douban.middlewares.DoubanDownloaderMiddleware'560,  
# 更改為560的原因在于不同中間件細分很多亞組間,這些組間的數(shù)據(jù)大小決定了request和response數(shù)據(jù)流觸碰的順序,具體見官方文檔
}
# 允許url的訪問時限
TIMEOUT = 10
# 深度限制
# DEPTH_LIMIT = 1

# 自定義拓展
EXTENSIONS = {
   'Douban.extends.MyExtension'500,
}


# item-pipelines配置
ITEM_PIPELINES = {
   # 'scrapy.pipelines.images.ImagesPipeline': 1,  # 圖片下載器需要注冊
   'Douban.pipelines.DoubanImagesPipeline'300,
}

# 利用算法,自動限速
# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs./en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# 啟用緩存,較少用
# Enable and configure HTTP caching (disabled by default)
# See https://docs./en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

# 圖片下載器ImagePipeline的配置,按需開啟
IMAGES_STORE = 'download'

extends.py

自定義擴展,建議設置該部件需要對信號有了解,深入理解scrapy運行過程的信號觸發(fā),實際還是需要對數(shù)據(jù)流理解的完善。代碼中我是利用自己寫的類,本質就是利用喵提醒在某些特定時刻觸發(fā)提醒(喵提醒打錢?)。當然也可以利用日志或者其他功能強化拓展功能,通過signal的不同觸發(fā)時刻針對性設置

需要自己創(chuàng)建,創(chuàng)建位置如圖:

from scrapy import signals
from message import Message

class MyExtension(object):
    def __init__(self, value):
        self.value = value

    @classmethod
    def from_crawler(cls, crawler):
        val = crawler.settings.getint('MMMM')
        ext = cls(val)

        crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened)
        crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed)

        return ext

    def spider_opened(self, spider):
        print('spider running')

    def spider_closed(self, spider):
        message = Message('spider運行結束')
        message.push()
        print('spider closed')

running.py

runnings.py最后提一下吧,其實就是一個在python中運行cmd的命令

from scrapy.cmdline import execute
execute('scrapy crawl douban'.split())

以上就是可以滿足基本需求的Scrapy各部件配置,如果還不熟悉的話可以參考,之后我們將更新一些Scrapy爬蟲實戰(zhàn)案例。


本周繼續(xù)給常讀常分享的讀者送書!本周第一本書為很多讀者要求的機器學習相關書籍??

    本站是提供個人知識管理的網(wǎng)絡存儲空間,所有內容均由用戶發(fā)布,不代表本站觀點。請注意甄別內容中的聯(lián)系方式、誘導購買等信息,謹防詐騙。如發(fā)現(xiàn)有害或侵權內容,請點擊一鍵舉報。
    轉藏 分享 獻花(0

    0條評論

    發(fā)表

    請遵守用戶 評論公約

    類似文章 更多