scrapy爬虫练习-3-26
2020-03-26 本文已影响0人
Python小学生邬恒
剧情回顾
上一回，完成了使用scrapy框架重写了requests对豆瓣高分电影的爬取。由此对scrapy这个框架有了初步的了解。接下来要对scrapy框架加深了解，不过想要深入的了解这个scrapy框架还得看文档，或者看有关书籍。
在了解scrapy框架之前，需要了解scrapy这个框架的运作流程。具体流程如下图：
在这里插入图片描述
上回，使用了编写了spiders发出请求，并重写了start_request方法，并在其中使用了UA去处理反爬虫。不过，上一个程序只能爬取一个url，如果想要爬取多个url怎么写呢？如果不重写start_request方法，就可以在start_urls中设置多个url。
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
start_urls = [
'http://quotes.toscrape.com/page/1/',
'http://quotes.toscrape.com/page/2/',
]
重写方法的话，就可以在start_url中编写一个url列表，然后使用for循环遍历，最后使用yield生成器返回requests请求，这里不能使用return 因为，return只会访问第一个url。代码如下：
import scrapy
import json
import sys
import logging
sys.path.append(".")
from cnblogSpider import items
class DbSpider(scrapy.Spider):
name="dbspider"
def start_requests(self):
urls=[]
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'}
for i in range(0,500,20):
urls.append("https://movie.douban.com/j/search_subjects?type=movie&tag=%E8%B1%86%E7%93%A3%E9%AB%98%E5%88%86&sort=rank&page_limit=20&page_start={}".format(i))
for url in urls:
yield scrapy.Request(url,headers=header,callback=self.parse)
上述的spider都是集成自scrapy.Spider，这个类是一个基础的spider类，scrapy还有其他的类如crawlspider。这个类的常常用于定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的response中获取link并继续爬取的工作更适合。详细见此链接
https://www.jianshu.com/p/a6a08b4f7c04
随机UA池
了解完spider之后，之前还遗留了一个问题，如何建立一个随机的UA池？使得scrapy爬虫每次可以随机的从中提取一个UA然后发起请求。在编写UA池前，需要了解scrapy的一个机制下载器中间件。也就是downloadermeddlewarse。在开篇的结构图中可以看出，这个组件是在引擎和下载器之间的。它的作用就是处理下载器传递给引擎的response和处理引擎传递给下载器的request。也就是说爬虫项目的所有request请求和response响应都会从这个组件中经过。可以重写这个组件来扩展scrapy的功能。接下来的目标就是重写这个下载器中间件，来实现UA池。
编写下载器中间件是在cnblogSpider\middlewares.py中编写的。这个文件在创建爬虫项目的时候就会自动生成。每个中间件组件定义了以下一个或多个方法。
process_request(self, request, spider)：该方法会在每个request请求经过中间件时调用。返回值必须是None、request对象、response对象中的一个或者Raise IgnoreRequest异常。request是处理的request，spider是对应的spider。
process_response(self, request, response, spider)：主要是用于处理产生的response，返回值必须是None、request对象、response对象中的一个或者Raise IgnoreRequest异常。
from_crawler(cls,crawler):这个方法是从crawler类中创建一个实例，crawler类能够接触到scrapy中的核心组件如settings等。在中间件中用于从settings.py配置文件中提取相关字段。
下载器中间件的函数用法可以参考文档。
https://docs.scrapy.org/en/latest/topics/spider-middleware.html
在了解过中间件的有关函数过后，就开始着手编写中间件。代码如下
from scrapy import signals
import random
class RandomUserAgent(object):#随机UA池类
def __init__(self,agents):
self.agents=agents#定义一个属性
@classmethod
def from_crawler(cls, crawler):#从settings.py中获取UA相关的字段。
return cls(crawler.settings.getlist('USER_AGENTS'))
def process_request(self, request, spider):#截取了request请求，并在请求header中加上随机抽取的ua参数
request.headers.setdefault('User-Agent',random.choice(self.agents))#随机从agents中抽取一个ua
print(request.headers['User-Agent'])
由于设置随机的UA池和响应无关，所以在这里就没有重写process_response(self, request, response, spider)方法。
编写完中间间后还需要到settings.py文件中激活，就和之前的pipeline一样。在settings.py文件中写入下列字段：
DOWNLOADER_MIDDLEWARES = {
'cnblogSpider.middlewares.RandomUserAgent':100,
}
并注意看看ROBOTSTXT_OBEY =False。
完成对中间件的激活后，还需要编写USER_AGENTS字段，如下：
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",
]
以上就是随机UA池的设置。由于爬取豆瓣高分榜这个爬虫是在太小了，还有很多scrapy组件还没有用到，据了解，实际的爬虫中会用到selenium这个测试工具，获取动态页面的数据。如何将selenium和scrapy结合起来使用，就在今后的学习中不断的探索吧。
