Scrapy爬虫框架的使用

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）

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：

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：

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：

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：

import json

class 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：

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：

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：

#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：

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：

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：

import scrapy

class 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)

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：

import random
import base64
from settings import USER_AGENTS
from settings import PROXIES


class 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

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cookies
COOKIES_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

sudo pip install scrapyd
sudo 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：

sudo vi /usr/local/lib/python3.8.6/site-packages/scrapyd/default_scrapyd.conf

# 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ip
url = 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。