scrapy框架的请求流程

scrapy框架?

Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

img　

复制代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
1、引擎(EGINE)
  引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。


2、调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

3、下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的

4、爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

5、项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，

6、爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

复制代码

安装和创建: https://www.cnblogs.com/pyedu/p/10314215.html

scrapy框架+selenium的使用

1 使用情景: 　　

在通过scrapy框架进行某些网站数据爬取的时候，往往会碰到页面动态数据加载的情况发生，如果直接使用scrapy对其url发请求，是绝对获取不到那部分动态加载出来的数据值。但是通过观察我们会发现，通过浏览器进行url请求发送则会加载出对应的动态加载出的数据。那么如果我们想要在scrapy也获取动态加载出的数据，则必须使用selenium创建浏览器对象，然后通过该浏览器对象进行请求发送，获取动态加载的数据值

2 使用流程

1 重写爬虫文件的__init__()构造方法，在该方法中使用selenium实例化一个浏览器对象（因为浏览器对象只需要被实例化一次）.

2 重写爬虫文件的closed(self,spider)方法，在其内部关闭浏览器对象,该方法是在爬虫结束时被调用.

3 重写下载中间件的process_response方法，让该方法对响应对象进行拦截，并篡改response中存储的页面数据.

4 在settings配置文件中开启下载中间件

3 使用案例: 爬取XXX网站新闻的部分板块内容

爬虫文件:

复制代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
from selenium import webdriver
from  selenium.webdriver.chrome.options import Options    # 使用无头浏览器

无头浏览器设置
chorme_options = Options()
chorme_options.add_argument("--headless")
chorme_options.add_argument("--disable-gpu")


class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['wangyi.com']   # 允许爬取的域名
    start_urls = ['https://news.163.com/']

    # 实例化一个浏览器对象
    def __init__(self):
        self.browser = webdriver.Chrome(chrome_options=chorme_options)
        super().__init__()

    def start_requests(self):
        url = "https://news.163.com/"
        response = scrapy.Request(url,callback=self.parse_index)
        yield response

    # 整个爬虫结束后关闭浏览器
    def close(self,spider):
        self.browser.quit()

    # 访问主页的url, 拿到对应板块的response
    def parse_index(self, response):
        div_list = response.xpath("//div[@class='ns_area list']/ul/li/a/@href").extract()
        index_list = [3,4,6,7]
        for index in index_list:
            response = scrapy.Request(div_list[index],callback=self.parse_detail)
            yield response

    # 对每一个板块进行详细访问并解析, 获取板块内的每条新闻的url
    def parse_detail(self,response):
        div_res = response.xpath("//div[@class='data_row news_article clearfix ']")
        # print(len(div_res))
        title = div_res.xpath(".//div[@class='news_title']/h3/a/text()").extract_first()
        pic_url = div_res.xpath("./a/img/@src").extract_first()
        detail_url = div_res.xpath("//div[@class='news_title']/h3/a/@href").extract_first()
        infos = div_res.xpath(".//div[@class='news_tag//text()']").extract()
        info_list = []
        for info in infos:
            info = info.strip()
            info_list.append(info)
        info_str = "".join(info_list)
        item = WangyiproItem()

        item["title"] = title
        item["detail_url"] = detail_url
        item["pic_url"] = pic_url
        item["info_str"] = info_str

        yield scrapy.Request(url=detail_url,callback=self.parse_content,meta={"item":item})    # 通过 参数meta 可以将item参数传递进 callback回调函数,再由 response.meta[...]取出来

    # 对每条新闻的url进行访问, 并解析
    def parse_content(self,response):
        item = response.meta["item"]    # 获取从response回调函数由meta传过来的 item 值
        content_list = response.xpath("//div[@class='post_text']/p/text()").extract()
        content = "".join(content_list)
        item["content"] = content
        yield item

复制代码

下载中间件中篡改响应数据

需要导入 HtmlResponse类, 这个类是用来将响应数据包装成符合HTTP协议形式.

from scrapy.http import HtmlResponse

复制代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
class WangyiproDownloaderMiddleware(object):

    # 可以拦截到request请求
    def process_request(self, request, spider):
        # 在进行url访问之前可以进行的操作, 更换UA请求头, 使用其他代理等
        pass

    # 可以拦截到response响应对象(拦截下载器传递给Spider的响应对象)
    def process_response(self, request, response, spider):
        """
        三个参数:
        # request: 响应对象所对应的请求对象
        # response: 拦截到的响应对象
        # spider: 爬虫文件中对应的爬虫类 WangyiSpider 的实例对象, 可以通过这个参数拿到 WangyiSpider 中的一些属性或方法
        """

        #  对页面响应体数据的篡改, 如果是每个模块的 url 请求, 则处理完数据并进行封装
        if request.url in ["http://news.163.com/domestic/","http://war.163.com/","http://news.163.com/world/","http://news.163.com/air/"]:
            spider.browser.get(url=request.url)
            # more_btn = spider.browser.find_element_by_class_name("post_addmore")     # 更多按钮
            # print(more_btn)
            js = "window.scrollTo(0,document.body.scrollHeight)"
            spider.browser.execute_script(js)
            # if more_btn and request.url == "http://news.163.com/domestic/":
            #     more_btn.click()
            time.sleep(1)     # 等待加载,  可以用显示等待来优化.
            row_response= spider.browser.page_source
            return HtmlResponse(url=spider.browser.current_url,body=row_response,encoding="utf8",request=request)   # 参数url指当前浏览器访问的url(通过current_url方法获取), 在这里参数url也可以用request.url
                                                                                                                     # 参数body指要封装成符合HTTP协议的源数据, 后两个参数可有可无
        else:
            return response    # 是原来的主页的响应对象

    # 请求出错了的操作, 比如ip被封了,可以在这里设置ip代理
    def process_exception(self, request, exception, spider):
        print("添加代理开始")
        ret_proxy = get_proxy()
        request.meta["proxy"] = ret_proxy
        print("为%s添加代理%s" %(request.url,ret_proxy), end="")
        return None

# 其他方法无需动

复制代码

中间件文件里设置UA池:

复制代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware   

user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

class RandomUserAgent(UserAgentMiddleware):    # 如何运行此中间件? settings 直接添加就OK
    def process_request(self, request, spider):
        ua = random.choice(user_agent_list)
        # 在请求头里设置ua
        request.headers.setdefault("User-Agent",ua)

复制代码

settings配置文件中: 

1
2
3
4
DOWNLOADER_MIDDLEWARES = {
   'WangYiPro.middlewares.WangyiproDownloaderMiddleware': 543,
   'WangYiPro.middlewares.RandomUserAgent': 542,
}

scrapy结合selenium进行动态加载页面内容爬取

动态页面与静态页面

比较常见的页面形式可以分为两种：

  • 静态页面
  • 动态页面

静态页面和动态页面的区别

使用requests进行数据获取的时候一般使用的是respond.text来获取网页源码，然后通过正则表达式提取出需要的内容。

例如：

1
2
3
import requests
response = requests.get('https://www.baidu.com')
print(response.text.encode('raw_unicode_escape').decode())

img

百度源代码.png

但是动态页面使用上述操作后发现，获取到的内容与实际相差很大。

例如我们打开如下页面：

1
https://www.aqistudy.cn/historydata/monthdata.php?city=北京

右键选择查看网页源代码

img

查看网页源代码.png

在网页源代码中查找页面中存在的一个数据：2014-02的PM10为155。

img

北京空气质量指数.png

这时打开F12查看Elements 可以看到155在元素中有显示

img

检查.png

综上基本可以明白静态页面和动态页面的区别了。

有两种方式可以获取动态页面的内容：

  • 破解JS，实现动态渲染
  • 使用浏览器模拟操作，等待模拟浏览器完成页面渲染

由于第一个比较困难所以选择方法二

需求分析

获取各个城市近年来每天的空气质量

  • 日期
  • 城市
  • 空气质量指数
  • 空气质量等级
  • pm2.5
  • pm10
  • so2
  • co
  • no2
  • o3

使用scrapy

scrapy操作的基本流程如下：

1
2
3
4
5
6
1.创建项目：scrapy startproject 项目名称
2.新建爬虫：scrapy genspider 爬虫文件名 爬虫基础域名
3.编写item
4.spider最后return item
5.在setting中修改pipeline配置
6.在对应pipeline中进行数据持久化操作

创建

打开命令行，输入scrapy startproject air_history ,创建一个名为air_history的scrapy项目

进入该文件夹，输入scrapy genspider area_spider "aqistudy.cn",可以发现在spiders文件夹下多了一个名为area_spider的py文件

文件目录结构大概如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
.
├── air_history
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── __pycache__
│   │   ├── __init__.cpython-36.pyc
│   │   └── settings.cpython-36.pyc
│   ├── settings.py
│   └── spiders
│       ├── area_spider.py
│       ├── __init__.py
│       └── __pycache__
│           └── __init__.cpython-36.pyc
└── scrapy.cfg

编写item

根据需求编写item如下,spider最后return item，把值传递给它

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
import scrapy

class AirHistoryItem(scrapy.Item):
    # define the fields for your item here like:
    data = scrapy.Field() #日期
    city = scrapy.Field() #城市
    aqi = scrapy.Field() #空气质量指数
    level = scrapy.Field() #空气质量等级
    pm2_5 = scrapy.Field() #pm2.5
    pm10 = scrapy.Field() #pm10
    so2 = scrapy.Field() #so2
    co = scrapy.Field() #co
    no2 = scrapy.Field() #no2
    o3 = scrapy.Field()  #o3

编写爬虫

首先可以得知首页是https://www.aqistudy.cn/historydata/

所以将它赋值给一个名为base_url的变量，方便后续使用

自动创建的爬出中携带了爬虫的名字，这个name在启动爬虫的时候需要用到，现在暂时用不到

1
2
3
4
name = 'area_spider'
allowed_domains = ['aqistudy.cn']  # 爬取的域名，不会超出这个顶级域名
base_url = "https://www.aqistudy.cn/historydata/"
start_urls = [base_url]

城市信息

进入首页之后可以看到一大批的城市信息，所以我们第一步就是获取有哪些城市

1
2
3
4
5
6
def parse(self, response):
    print('爬取城市信息....')
    url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract()  # 全部链接
    city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract()  # 城市名称
    for url, city in zip(url_list, city_list):
        yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})

使用插件XPath Helper可以对xpath进行一个测试，看看定位的内容是否正确

img

xpath.png

随意点击一个地区可以发现url变为https://www.aqistudy.cn/historydata/monthdata.php?city=北京

所以url_list获取到的是需要进行拼接的内容monthdata.php?city=城市名称

city_list的最后部分是text()所以它拿到的是具体的文本信息

将获取到的url_list和city_list逐个传递给scrapy.Request其中url是需要继续爬取的页面地址，city是item中需要的内容，所以将item暂时存放在meta中传递给下个回调函数self.parse_month

月份信息

1
2
3
4
5
6
def parse_month(self, response):
    print('爬取{}月份...'.format(response.meta['city']))
    url_list = response.xpath('//tbody/tr/td/a/@href').extract()
    for url in url_list:
        url = self.base_url + url
        yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})

此步操作获取了每个城市的全部月份信息，并拿到了每个月份的url地址。把上面传递下来的city继续向下传递

最终数据

获取到最终的URL之后，把item实例化，然后完善item字典并返回item

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
def parse_day(self, response):
    print('爬取最终数据...')
    item = AirHistoryItem()
    node_list = response.xpath('//tr')
    node_list.pop(0)  # 去除第一行标题栏
    for node in node_list:
        item['data'] = node.xpath('./td[1]/text()').extract_first()
        item['city'] = response.meta['city']
        item['aqi'] = node.xpath('./td[2]/text()').extract_first()
        item['level'] = node.xpath('./td[3]/text()').extract_first()
        item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
        item['pm10'] = node.xpath('./td[5]/text()').extract_first()
        item['so2'] = node.xpath('./td[6]/text()').extract_first()
        item['co'] = node.xpath('./td[7]/text()').extract_first()
        item['no2'] = node.xpath('./td[8]/text()').extract_first()
        item['o3'] = node.xpath('./td[9]/text()').extract_first()
        yield item

使用中间件实现selenium操作

打开中间件文件middlewares.py

由于我是在服务器上进行爬取，所以我选择使用谷歌的无界面浏览器chrome-headless

1
2
3
4
5
6
7
8
9
from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
chrome_options.add_argument('--disable-gpu')
chrome_options.add_argument('--no-sandbox')
# 指定谷歌浏览器路径
webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')

然后进行页面渲染后的源码获取

request.url是传递到中间件的url，由于首页是静态页面，所以首页不进行selenium操作

1
2
3
4
5
6
if request.url != 'https://www.aqistudy.cn/historydata/':
    self.driver.get(request.url)
    time.sleep(1)
    html = self.driver.page_source
    self.driver.quit()
    return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',request=request)

后续的操作也很简单，最后将获取到的内容正确编码后返回给爬虫的下一步

middlewares全部代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
from scrapy import signals
import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time


class AreaSpiderMiddleware(object):
    def process_request(self, request, spider):
        chrome_options = Options()
        chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
        chrome_options.add_argument('--disable-gpu')
        chrome_options.add_argument('--no-sandbox')
        # 指定谷歌浏览器路径
        self.driver = webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')
        if request.url != 'https://www.aqistudy.cn/historydata/':
            self.driver.get(request.url)
            time.sleep(1)
            html = self.driver.page_source
            self.driver.quit()
            return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',
                                            request=request)

使用下载器保存item内容

修改pipelines.py进行文件的存储

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
import json

class AirHistoryPipeline(object):
    def open_spider(self, spider):
        self.file = open('area.json', 'w')

    def process_item(self, item, spider):
        context = json.dumps(dict(item),ensure_ascii=False) + '\n'
        self.file.write(context)
        return item

    def close_spider(self,spider):
        self.file.close()

修改settings文件使中间件，下载器生效

打开settings.py文件

修改以下内容：DOWNLOADER_MIDDLEWARES使刚才写的middlewares中间件中的类,ITEM_PIPELINES是pipelines中的类

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
BOT_NAME = 'air_history'
SPIDER_MODULES = ['air_history.spiders']
NEWSPIDER_MODULE = 'air_history.spiders'

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'

DOWNLOADER_MIDDLEWARES = {
   'air_history.middlewares.AreaSpiderMiddleware': 543,
}

ITEM_PIPELINES = {
   'air_history.pipelines.AirHistoryPipeline': 300,
}

运行

1
使用scrapy crawl area_spider就可以运行爬虫

img

结果.png

spider全部代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
# -*- coding: utf-8 -*-
import scrapy
from air_history.items import AirHistoryItem


class AreaSpiderSpider(scrapy.Spider):
    name = 'area_spider'
    allowed_domains = ['aqistudy.cn']  # 爬取的域名，不会超出这个顶级域名
    base_url = "https://www.aqistudy.cn/historydata/"
    start_urls = [base_url]

    def parse(self, response):
        print('爬取城市信息....')
        url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract()  # 全部链接
        city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract()  # 城市名称
        for url, city in zip(url_list, city_list):
            url = self.base_url + url
            yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})

    def parse_month(self, response):
        print('爬取{}月份...'.format(response.meta['city']))
        url_list = response.xpath('//tbody/tr/td/a/@href').extract()
        for url in url_list:
            url = self.base_url + url
            yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})

    def parse_day(self, response):
        print('爬取最终数据...')
        item = AirHistoryItem()
        node_list = response.xpath('//tr')
        node_list.pop(0)  # 去除第一行标题栏
        for node in node_list:
            item['data'] = node.xpath('./td[1]/text()').extract_first()
            item['city'] = response.meta['city']
            item['aqi'] = node.xpath('./td[2]/text()').extract_first()
            item['level'] = node.xpath('./td[3]/text()').extract_first()
            item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
            item['pm10'] = node.xpath('./td[5]/text()').extract_first()
            item['so2'] = node.xpath('./td[6]/text()').extract_first()
            item['co'] = node.xpath('./td[7]/text()').extract_first()
            item['no2'] = node.xpath('./td[8]/text()').extract_first()
            item['o3'] = node.xpath('./td[9]/text()').extract_first()
            yield item