scrapy startproject XX #创建一个项目
#进入XX目录
scrapy genspider spidername domain
#在项目中创建爬虫,start_urls为http://domain/的爬虫
scrapy list
#查看项目下的爬虫个数
scrapy crawl spidername
#启动爬虫
一、关于scrapy框架
Spider运行流程
在实现Scrapy爬虫项目时,最核心的类便是Spider解析方式。简单来讲,Spider要做的事就是如下两件:
1、定义爬取网站的动作;
2、分析爬取下来的网页。
对于Spider类来说,整个爬取循环过程如下所述。
1、以初始的URL初始化Request,并设置回调函数。当该Request成功请求并返回时,Response生成并作为参数传给该回调函数。
2、在回调函数内分析返回的网页内容。返回结果有两种形式。一种是解析到的有效结果返回字典或Item对象,它们可以经过处理后(或直接)保存。另-种是解析得到下一个(如下一页)链接,可以利用此链接构造Request并设置新的回调函数,返回Request等待后续调度。
3、如果返回的是字典或Item对象,我们可通过Feed Exports等组件将返回结果存人到文件。如果设置了Pieline的话,我们可以使用Pieline处理(如过滤、修正等)并保存。
4、如果返回的是Reuet 那么Reuest 执行成功得到Repons 之后,Response 会被传递给Requst中定义的回调函数,在回调函数中我们可以再次使用选择器来分析新得到的网页内容,并根据分析的数据生成Item.
通过以上几步循环往复进行,我们完成了站点的爬取。
Spider类分析
基础属性:
name爬虫名称,是定义Spider 名字的字符串。Spider 的名字定义了Scrapy 如何定位并初始化Spider,它必须是唯一的。 不过我们可以生成多个相同的Spider 实例,数量没有限制。name是Spider最重要的属性。如果Spider 爬取单个网站,一个常见的做法是以该网站的城名名称来命名Spider,例如,Spider 爬取mywebsitie com,该Spider通常会被命名为mwebite
allowed domains。允许爬取的域名,是可选配置,不在此范围的链接不会被跟进爬取。
start_urls。它是起始UrL列表,当我们没有实现start_requests()方法时,默认会从这个
列表开始抓取。
custom settings。它是一一个字典,是专属于本Spider 的配置,此设置会覆盖项目全局的设置。此设置必须在初始化前被更新,必须定义成类变量。
crawler。它是由from crawler()方法设置的,代表的是本Spider 类对应Crawler对象。Crawler对象包含了很多项目组件,利用它我们可以获取项日的此配置信息, 如最常见的获取项目的设置信息,即Settings.
settings.它是一个Settings对象,利用它我们可以直接获取项目的全局设置变量。除了基础属性,Spider 还有一些常用的方法。
start _requests()。此方法用于生成初始请求,它必须返回个可选代对象。此方法会默认使用start urls 里面的URL来构造Request,而且Request是GET请求方式。如果我们想在启动时以POST方式访问某个站点,可以直接重写这个方法,发送POST请求时使用FormRequest即可。
parse()。当Response没有指定回调函数时,该方法会默认被调用。它负责处理Response,处理返回结果,并从中提取出想要的数据和下一步的请求,然后返回。该方法需要返回一个包含Request或Item的可迭代对象。
closed()。 当Spider 关闭时,该方法会被调用,在这里一般会定 义释放资源的一些操作或其他收尾操作。
Downloader Middleware
下载中间件,它是处于Serapy的Request和Response之间的处理模块.
Scheduler从队列中拿出一个Request发送给Downloader执行下载,这个过程会经过DownloaderMiddleware的处理。另外,当Downloader将Request下载完成得到Response返回给Spider时会再次经过DownloaderMiddleware处理。
Downloader Middleware在整个构造中起的作用:
1、在Schedule调度出队的Request发送给Downloader下载之前,也就是我们可以在Request执行下载之前对其进行修改。
2、在下载后生成的Response发送给Spider之前,也就是我们可以在生成Response被Spidr解析之前对其进行修改。
Downloader Middleware的功能:
修改user-agent、处理重定向、设置代理、失败重试、设置cookies
# -*- coding: utf-8 -*-
import scrapy
class WitSpider(scrapy.Spider):
name = 'wit'
#allowed_domains = ['zsb.wit.edu.cn']
allowed_domains = ['httpbin.org']
#start_urls = ['http://zsb.wit.edu.cn/']
start_urls = ['http://httpbin.org/get']
def parse(self, response):
self.logger.debug(response.text)
[wit] DEBUG: {
"args": {},
"headers": {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Encoding": "gzip,deflate",
"Accept-Language": "en",
"Connection": "close",
"Host": "httpbin.org",
"User-Agent": "Scrapy/1.5.1 (+https://scrapy.org)"
},
"origin": "59.172.155.66",
"url": "http://httpbin.org/get"
}
“User-Agent”: “Scrapy/1.5.1 (+https://scrapy.org)” scrapy发送的Request使用的user-agent是"Scrapy/1.5.1 (+https://scrapy.org),这是由scrapy内置的UserAgentMiddleware设置的。
修改user-agent:
方法一:只需要修改setting.py里面的USRE_AGENT变量;
适用于防爬不是很严格的网站
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
重新运行上述代码,user-agent改变。
方法二(力推,推荐理由:灵活,万能适用):通到Downloader Middleware的process_request()方法来修改,实现一个随机的User-agent的设置
1、在middleware.py里面添加一个RandomUserAgentMiddleware的类,代码如下:
(解释:首先在类的_init_()方法中定义了多个不同的User-Agent,并用列表来表示。接下来实现了process_request()方法,它有一个参数request,直接修改request的属性即可。)
import random
class RandomUserAgentMidderware():
def __init__(self):
self.user_agents = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"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",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
]
def process_request(self , request,spider):
request.headers['User-Agent'] = random.choice(self.user_agents)
2、调用Downloader Middleware——在setting.py,取消DOWNLOADER_MIDDLEWARES注释并修改。
DOWNLOADER_MIDDLEWARES = {
'wit_sch.middlewares.RandomUserAgentMiddleware': 543,
}
**反爬措施:
1、添加USER_AGENTS
2、添加代理IP设置PROXIES
3、禁用cookies,防止某些网站根据Cookie来封锁爬虫
COOKIES_ENABLED = False #取消setting.py文件该行的注释
4、设置下载延迟**