欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

爬虫——小结

程序员文章站 2022-06-22 11:19:03
爬虫原理与数据抓取 Requests简单使用 添加 headers 和 查询参数 如果想添加 headers,可以传入headers参数来增加请求头中的headers信息。如果要将参数放在url中传递,可以利用 params 参数 使用response.text 时,Requests 会基于 HTT ......

爬虫原理与数据抓取

requests简单使用

添加 headers 和 查询参数

如果想添加 headers,可以传入headers参数来增加请求头中的headers信息。如果要将参数放在url中传递,可以利用 params 参数

import requests

kw = {'wd':'长城'}

headers = {"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/54.0.2840.99 safari/537.36"}

# params 接收一个字典或者字符串的查询参数,字典类型自动转换为url编码,不需要urlencode()
response = requests.get("http://www.baidu.com/s?", params = kw, headers = headers)

# 查看响应内容,response.text 返回的是unicode格式的数据
print (response.text)

# 查看响应内容,response.content返回的字节流数据
print (respones.content)

# 查看完整url地址
print (response.url)

# 查看响应头部字符编码
print (response.encoding)

# 查看响应码
print (response.status_code)

 

使用response.text 时,requests 会基于 http 响应的文本编码自动解码响应内容,大多数 unicode 字符集都能被无缝地解码。 使用response.content 时,返回的是服务器响应数据的原始二进制字节流,可以用来保存图片等二进制文件。

    requests默认自带的accept-encoding导致或者新浪默认发送的就是压缩之后的网页
    但是为什么content.read()没有问题,因为requests,自带解压压缩网页的功能
    当收到一个响应时,requests 会猜测响应的编码方式,用于在你调用response.text 方法时对响应进行解码。requests 首先在 http 头部检测是否存在指定的编码方式,如果不存在,则会使用 chardet.detect来尝试猜测编码方式(存在误差)
    更推荐使用response.content.deocde()

  

requests深入

# 如果是json文件可以直接显示
print (response.json())
# unquote将url格式的中文还原
a = requests.utils.unquote('http://www.baidu.com/f?kw=%e6%9d%e6%85%')
print(a)

http://www.baidu.com/f?kw=李子
通过本地环境变量 http_proxy 和 https_proxy 来配置代理:

export http_proxy="http://12.34.56.79:9527"
export https_proxy="https://12.34.56.79:9527"

 


私密代理验证(特定格式) 和 web客户端验证(auth 参数)

私密代理

import requests

# 如果代理需要使用http basic auth,可以使用下面这种格式:
proxy = { "http": "mr_mao_hacker:sffqry9r@61.158.163.130:16816" }

response = requests.get("http://www.baidu.com", proxies = proxy)

print (response.text)

 

web客户端验证

如果是web客户端验证,需要添加 auth = (账户名, 密码)

1 import requests
2 
3 auth=('test', '123456')
4 
5 response = requests.get('http://192.168.199.107', auth = auth)
6 
7 print (response.text)

 

cookies

 1 import requests
 2 
 3 response = requests.get("http://www.baidu.com/")
 4 
 5 # 7\. 返回cookiejar对象:
 6 cookiejar = response.cookies
 7 
 8 # 8\. 将cookiejar转为字典:
 9 cookiedict = requests.utils.dict_from_cookiejar(cookiejar)
10 
11 print (cookiejar)
12 
13 print (cookiedict)

 

session

实现人人网登录

import requests

# 1\. 创建session对象,可以保存cookie值
ssion = requests.session()

# 2\. 处理 headers
headers = {"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/54.0.2840.99 safari/537.36"}

# 3\. 需要登录的用户名和密码
data = {"email":"", "password":""}  

# 4\. 发送附带用户名和密码的请求,并获取登录后的cookie值,保存在ssion里
ssion.post("http://www.renren.com/plogin.do", data = data)

# 5\. ssion包含用户登录后的cookie值,可以直接访问那些登录后才可以访问的页面
response = ssion.get("http://www.renren.com/410043129/profile")

# 6\. 打印响应内容
print (response.text)

 

处理https请求 ssl证书验证

requests也可以为https请求验证ssl证书:

  • 要想检查某个主机的ssl证书,你可以使用 verify 参数(也可以不写)
  • 如果ssl证书验证不通过,或者不信任服务器的安全证书,则会报出sslerror,据说 12306 证书是自己做的
  • 如果我们想跳过 12306 的证书验证,把 verify 设置为 false 就可以正常请求了
sslerror: ("bad handshake: error([('ssl routines', 'ssl3_get_server_certificate', 'certificate verify failed')],)",)

非结构化数据与结构化数据提取

xpath与lxml类库

  • bookstore//book
选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置
  • /bookstore/book[last()-1]
选取属于 bookstore 子元素的倒数第二个 book 元素
  • /bookstore/book[position()<3]
选取最前面的两个属于 bookstore 元素的子元素的 book 元素
  • /bookstore/book[price>35.00]/title
选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00
  • //book/title | //book/price
选取 book 元素的所有 title 和 price 元素
  • //title | //price
选取文档中的所有 title 和 price 元素
  • /bookstore/book/title | //price
选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素
  • //li//span
获取<li> 标签下的所有 <span> 标签
  • //li/a//@class
获取 <li> 标签下的<a>标签里的所有 class
  • //li[last()]/a/@href
获取最后一个 <li> 的 <a> 的 href

json

json.loads()

从json到python的类型转化

json.dumps()

从python原始类型向json类型的转化

chardet是一个非常优秀的编码识别模块,可通过pip安装。chardet.detect()返回字典, 其中confidence是检测精确度

json.dump()

将python内置类型序列化为json对象后写入文

1 import json
2 
3 liststr = [{"city": "北京"}, {"name": "大刘"}]
4 json.dump(liststr, open("liststr.json","w"), ensure_ascii=false)
5 
6 dictstr = {"city": "北京", "name": "大刘"}
7 json.dump(dictstr, open("dictstr.json","w"), ensure_ascii=false)

 

json.load()

读取文件中json形式的字符串元素 转化成python类型

 1 import json
 2 
 3 strlist = json.load(open("liststr.json"))
 4 print strlist
 5 
 6 # [{u'city': u'\u5317\u4eac'}, {u'name': u'\u5927\u5218'}]
 7 
 8 strdict = json.load(open("dictstr.json"))
 9 print strdict
10 # {u'city': u'\u5317\u4eac', u'name': u'\u5927\u5218'}

 

queue

  1. queue是python中的标准库,可以直接import queue引用;队列是线程间最常用的交换数据的形式
  2. 对于资源,加锁是个重要的环节。因为python原生的list,dict等,都是not thread safe的。而queue,是线程安全的,因此在满足使用条件下,建议使用队列
  3. 初始化: class queue.queue(maxsize) fifo 先进先出
  4. 包中的常用方法:
    • queue.qsize() 返回队列的大小
    • queue.empty() 如果队列为空,返回true,反之false
    • queue.full() 如果队列满了,返回true,反之false
    • queue.full 与 maxsize 大小对应
    • queue.get([block[, timeout]])获取队列,timeout等待时间
  5. 创建一个“队列”对象
    import queue
    myqueue = queue.queue(maxsize = 10)

 

  1. 将一个值放入队列中
myqueue.put(10)

 

  1. 将一个值从队列中取出
myqueue.get()

 

beautifulsoup4

lxml 只会局部遍历,而beautiful soup 是基于html dom的,会载入整个文档,解析整个dom树,因此时间和内存开销都会大很多,所以性能要低于lxml

 1 print soup.name
 2 # [document] #soup 对象本身比较特殊,它的 name 即为 [document]
 3 
 4 print soup.head.name
 5 # head #对于其他内部标签,输出的值便为标签本身的名称
 6 
 7 print soup.p.attrs
 8 # {'class': ['title'], 'name': 'dromouse'}
 9 # 在这里,我们把 p 标签的所有属性打印输出了出来,得到的类型是一个字典。
10 
11 print soup.p['class'] # soup.p.get('class')
12 # ['title'] #还可以利用get方法,传入属性的名称,二者是等价的
13 
14 soup.p['class'] = "newclass"
15 print soup.p # 可以对这些属性和内容等等进行修改
16 # <p class="newclass" name="dromouse"><b>the dormouse's story</b></p>
17 
18 del soup.p['class'] # 还可以对这个属性进行删除
19 print soup.p
20 # <p name="dromouse"><b>the dormouse's story</b></p>
21 
22 print soup.p.string
23 # the dormouse's story
24 
25 print type(soup.p.string)
26 # in [13]: <class 'bs4.element.navigablestring'>
27 
28 # comment 对象是一个特殊类型的 navigablestring 对象,其输出的内容不包括注释符号
29 print soup.a
30 # <a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>
31 
32 print soup.a.string
33 # elsie 
34 
35 print type(soup.a.string)
36 # <class 'bs4.element.comment'>
37 # tag 的 .content 属性可以将tag的子节点以列表的方式输出
38 print soup.head.contents 
39 #[<title>the dormouse's story</title>]
40 print soup.head.contents[0]
41 #<title>the dormouse's story</title>
42 
43 # .children 返回的是一个 list 生成器对象,通过遍历获取所有子节点
44 print soup.head.children
45 #<listiterator object at 0x7f71457f5710>
46 
47 for child in  soup.body.children:
48     print child
49 
50 # 所有子孙节点: .descendants 属性
51 .contents 和 .children 属性仅包含tag的直接子节点,.descendants 属性可以对所有tag的子孙节点进行递归循环,和 children类似,我们也需要遍历获取其中的内容
52 for child in soup.descendants:
53     print child

 

动态html处理和机器图像识别

selenium

 1 # 调用键盘按键操作时需要引入的keys包
 2 from selenium.webdriver.common.keys import keys
 3 
 4 # 生成当前页面快照并保存
 5 driver.save_screenshot("baidu.png")
 6 
 7 # 打印网页渲染后的源代码
 8 print driver.page_source
 9 
10 # 获取当前页面cookie
11 print driver.get_cookies()
12 
13 # ctrl+a 全选输入框内容
14 driver.find_element_by_id("kw").send_keys(keys.control,'a')
15 
16 # ctrl+x 剪切输入框内容
17 driver.find_element_by_id("kw").send_keys(keys.control,'x')
18 
19 # 模拟enter回车键
20 driver.find_element_by_id("su").send_keys(keys.return)
21 
22 # 获取当前url
23 print driver.current_url
24 
25 # 关闭当前页面,如果只有一个页面,会关闭浏览器
26 # driver.close()
27 
28 # 关闭浏览器
29 driver.quit()

 

页面操作

 1 # 获取id标签值
 2 element = driver.find_element_by_id("passwd-id")
 3 # 获取name标签值
 4 element = driver.find_element_by_name("user-name")
 5 # 获取标签名值
 6 element = driver.find_elements_by_tag_name("input")
 7 # 也可以通过xpath来匹配
 8 element = driver.find_element_by_xpath("//input[@id='passwd-id']")
 9 
10 find_element_by_id
11 find_elements_by_name
12 find_elements_by_xpath
13 find_elements_by_link_text
14 # 上下两行区别:
15 # partial 是部分的意思,可以定位a标签文本里的部分内容
16 find_elements_by_partial_link_text
17 find_elements_by_tag_name
18 find_elements_by_class_name
19 find_elements_by_css_selector

 

鼠标动作链

 1 #导入 actionchains 类
 2 from selenium.webdriver import actionchains
 3 
 4 # 鼠标移动到 ac 位置
 5 ac = driver.find_element_by_xpath('element')
 6 actionchains(driver).move_to_element(ac).perform()
 7 
 8 
 9 # 在 ac 位置单击
10 ac = driver.find_element_by_xpath("elementa")
11 actionchains(driver).move_to_element(ac).click(ac).perform()
12 
13 # 在 ac 位置双击
14 ac = driver.find_element_by_xpath("elementb")
15 actionchains(driver).move_to_element(ac).double_click(ac).perform()
16 
17 # 在 ac 位置右击
18 ac = driver.find_element_by_xpath("elementc")
19 actionchains(driver).move_to_element(ac).context_click(ac).perform()
20 
21 # 在 ac 位置左键单击hold住
22 ac = driver.find_element_by_xpath('elementf')
23 actionchains(driver).move_to_element(ac).click_and_hold(ac).perform()
24 
25 # 将 ac1 拖拽到 ac2 位置
26 ac1 = driver.find_element_by_xpath('elementd')
27 ac2 = driver.find_element_by_xpath('elemente')
28 actionchains(driver).drag_and_drop(ac1, ac2).perform()

 

填充表单

 1 # 导入 select 类
 2 from selenium.webdriver.support.ui import select
 3 
 4 # 找到 name 的选项卡
 5 select = select(driver.find_element_by_name('status'))
 6 
 7 # 
 8 select.select_by_index(1)
 9 select.select_by_value("0")
10 select.select_by_visible_text(u"未审核")

 

以上是三种选择下拉框的方式,它可以根据索引来选择,可以根据值来选择,可以根据文字来选择。注意:

  • index 索引从 0 开始
  • value是option标签的一个属性值,并不是显示在下拉框中的值
  • visible_text是在option标签文本的值,是显示在下拉框的值
  • 全部取消选择
alert = driver.switch_to_alert()

 

页面切换

一个浏览器肯定会有很多窗口,所以我们肯定要有方法来实现窗口的切换。切换窗口的方法如下:

driver.switch_to.window("this is window name")

 

也可以使用 window_handles 方法来获取每个窗口的操作对象。例如:

for handle in driver.window_handles:
    driver.switch_to_window(handle)

 

页面前进和后退

driver.forward()     #前进
driver.back()        # 后退

cookies

1 for cookie in driver.get_cookies():
2     print "%s -> %s" % (cookie['name'], cookie['value'])
3 
4 # by name
5 driver.delete_cookie("cookiename")
6 
7 # all
8 driver.delete_all_cookies()

 

页面等待

隐式等待是等待特定的时间,显式等待是指定某一条件直到这个条件成立时继续执行。

显式等待

显式等待指定某个条件,然后设置最长等待时间。如果在这个时间还没有找到元素,那么便会抛出异常了

 1 from selenium import webdriver
 2 from selenium.webdriver.common.by import by
 3 # webdriverwait 库,负责循环等待
 4 from selenium.webdriver.support.ui import webdriverwait
 5 # expected_conditions 类,负责条件出发
 6 from selenium.webdriver.support import expected_conditions as ec
 7 
 8 driver = webdriver.chrome()
 9 driver.get("http://www.xxxxx.com/loading")
10 try:
11     # 页面一直循环,直到 id="mydynamicelement" 出现
12     element = webdriverwait(driver, 10).until(
13         ec.presence_of_element_located((by.id, "mydynamicelement"))
14     )
15 finally:
16     driver.quit()

 

如果不写参数,程序默认会 0.5s 调用一次来查看元素是否已经生成,如果本来元素就是存在的,那么会立即返回

下面是一些内置的等待条件,你可以直接调用这些条件,而不用自己写某些等待条件了

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is displayed and enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

  

隐式等待

不设置,默认等待时间为0,单位为秒

1 from selenium import webdriver
2 
3 driver = webdriver.chrome()
4 driver.implicitly_wait(10) # seconds
5 driver.get("http://www.xxxxx.com/loading")
6 mydynamicelement = driver.find_element_by_id("mydynamicelement")

 

def __del__(self):
        '''调用内建的稀构方法,在程序退出的时候自动调用
        类似的还可以在文件打开的时候调用close,数据库链接的断开
        '''
        self.driver.quit()

  

# 默认这个方法是对象使用后自动销毁对象用的,在这里修改为对象使用后关闭浏览器 

tesseract与pytesseract

 1 import pytesseract
 2 from pil import image
 3 
 4 image = image.open('test.jpg')
 5 text = pytesseract.image_to_string(image)
 6 print text
 7 对图片进行阈值过滤和降噪处理
 8 from pil import image
 9 import subprocess
10 
11 def cleanfile(filepath, newfilepath):
12     image = image.open(filepath)
13 
14     # 对图片进行阈值过滤(低于143的置为黑色,否则为白色)
15     image = image.point(lambda x: 0 if x < 143 else 255)
16     # 重新保存图片
17     image.save(newfilepath)
18 
19     # 调用系统的tesseract命令对图片进行ocr识别     
20     subprocess.call(["tesseract", newfilepath, "output"])
21 
22     # 打开文件读取结果
23     with open("output.txt", 'r') as f:
24         print(f.read())
25 
26 if __name__ == "__main__":
27     cleanfile("text2.png", "text2clean.png")

 

scrapy框架

保存数据

scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,,命令如下:

# json格式,默认为unicode编码
scrapy crawl itcast -o teachers.json

# json lines格式,默认为unicode编码
scrapy crawl itcast -o teachers.jsonl

# csv 逗号表达式,可用excel打开
scrapy crawl itcast -o teachers.csv

# xml格式
scrapy crawl itcast -o teachers.xml

  

元素选取

  • contains的用法,or的用法,last()的含义
response.xpath('//*[contains(@class,"odd") or contains(@class,"even")]/td[last()]/text()').extract()

 

0-1000随意设置,数值越低,组件的优先级越高

parse()方法的工作机制

  • 因为使用的yield,而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果,并判断该结果是一个什么样的类型
  • 如果是request则加入爬取队列,如果是item类型则使用pipeline处理,其他类型则返回错误信息
  • scrapy取到第一部分的request不会立马就去发送这个request,只是把这个request放到队列里,然后接着从生成器里获取
  • 取尽第一部分的request,然后再获取第二部分的item,取到item了,就会放到对应的pipeline里处理
  • parse()方法作为回调函数(callback)赋值给了request,指定parse()方法来处理这些请求 scrapy.request(url, callback=self.parse)
  • request对象经过调度,执行生成 scrapy.http.response()的响应对象,并送回给parse()方法,直到调度器中没有request(递归的思路)
  • 取尽之后,parse()工作结束,引擎再根据队列和pipelines中的内容去执行相应的操作
  • 程序在取得各个页面的items前,会先处理完之前所有的request队列里的请求,然后再提取item
  • 这一切的一切,scrapy引擎和调度器将负责到底

crawlspiders

rule

crawlspider使用rules来决定爬虫的爬取规则,并将匹配后的url请求提交给引擎。所以在正常情况下,crawlspider不需要单独手动返回请求了

  • link_extractor:是一个link extractor对象,用于定义需要提取的链接
  • callback: 从link_extractor中每获取到链接时,参数所指定的值作为回调函数,该回调函数接受一个response作为其第一个参数

注意:当编写爬虫规则时,避免使用parse作为回调函数。由于crawlspider使用parse方法来实现其逻辑,如果覆盖了 parse方法,crawl spider将会运行失败

  • follow:是一个布尔(boolean)值,指定了根据该规则从response提取的链接是否需要跟进。 如果callback为none,follow 默认设置为true ,否则默认为false
  • process_links:指定该spider中哪个的函数将会被调用,从link_extractor中获取到链接列表时将会调用该函数。该方法主要用来过滤
  • process_request:指定该spider中哪个的函数将会被调用, 该规则提取到每个request时都会调用该函数。 (用来过滤request)

request和response

发送post请求

  • 可以使用 yield scrapy.formrequest(url, formdata, callback)方法发送post请求
  • 如果希望程序执行一开始就发送post请求,可以重写spider类的start_requests(self) 方法,并且不再调用start_urls里的url
 1 class myspider(scrapy.spider):
 2     # start_urls = ["http://www.example.com/"]
 3 
 4     def start_requests(self):
 5         url = 'http://www.renren.com/plogin.do'
 6 
 7         # formrequest 是scrapy发送post请求的方法
 8         yield scrapy.formrequest(
 9             url = url,
10             formdata = {"email" : "mr_mao_hacker@163.com", "password" : "axxxxxxxe"},
11             callback = self.parse_page
12         )
13     def parse_page(self, response):
14         # do something

 

模拟登陆

  • 使用formrequest.from_response()方法模拟用户登录
  • 通常网站通过 实现对某些表单字段(如数据或是登录界面中的认证令牌等)的预填充
  • 使用scrapy抓取网页时,如果想要预填充或重写像用户名、用户密码这些表单字段, 可以使用 formrequest.from_response() 方法实现
 1 import scrapy
 2 
 3 class loginspider(scrapy.spider):
 4     name = 'example.com'
 5     start_urls = ['http://www.example.com/users/login.php']
 6 
 7     def parse(self, response):
 8         return scrapy.formrequest.from_response(
 9             response,
10             formdata={'username': 'john', 'password': 'secret'},
11             callback=self.after_login
12         )
13 
14     def after_login(self, response):
15         # check login succeed before going on
16         if "authentication failed" in response.body:
17             self.log("login failed", level=log.error)
18             return

 

中间件

防止爬虫被反

  • 动态设置user-agent(随机切换user-agent,模拟不同用户的浏览器信息)
  • 禁用cookies(也就是不启用cookies middleware,不向server发送cookies,有些网站通过cookie的使用发现爬虫行为)
    • 可以通过cookies_enabled 控制 cookiesmiddleware 开启或关闭
  • 设置延迟下载(防止访问过于频繁,设置为 2秒 或更高)
  • google cache 和 baidu cache:如果可能的话,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,现在大部分网站都是根据ip来ban的
  • 使用 crawlera(专用于爬虫的代理组件),正确配置和设置下载中间件后,项目所有的request都是通过crawlera发出
downloader_middlewares = {
      'scrapy_crawlera.crawleramiddleware': 600
  }

  crawlera_enabled = true
  crawlera_user = '注册/购买的userkey'
  crawlera_pass = '注册/购买的password'

  

下载中间件

 1 # middlewares.py
 2 
 3 #!/usr/bin/env python
 4 # -*- coding:utf-8 -*-
 5 
 6 import random
 7 import base64
 8 
 9 from settings import user_agents
10 from settings import proxies
11 
12 # 随机的user-agent
13 class randomuseragent(object):
14     def process_request(self, request, spider):
15         useragent = random.choice(user_agents)
16 
17         request.headers.setdefault("user-agent", useragent)
18 
19 class randomproxy(object):
20     def process_request(self, request, spider):
21         proxy = random.choice(proxies)
22 
23         if proxy['user_passwd'] is none:
24             # 没有代理账户验证的代理使用方式
25             request.meta['proxy'] = "http://" + proxy['ip_port']
26         else:
27             # 对账户密码进行base64编码转换
28             base64_userpasswd = base64.b64encode(proxy['user_passwd'])
29             # 对应到代理服务器的信令格式里
30             request.headers['proxy-authorization'] = 'basic ' + base64_userpasswd
31             request.meta['proxy'] = "http://" + proxy['ip_port']

 

为什么http代理要使用base64编码: http代理的原理很简单,就是通过http协议与代理服务器建立连接,协议信令中包含要连接到的远程主机的ip和端口号,如果有需要身份验证的话还需要加上授权信息,服务器收到信令后首先进行身份验证,通过后便与远程主机建立连接,连接成功之后会返回给客户端200,表示验证通过,就这么简单,下面是具体的信令格式:

settings

  • bot_name
    • 默认: 'scrapybot'
    • 当您使用 startproject 命令创建项目时其也被自动赋值
  • concurrent_items
    • 默认: 100
    • item processor(即 item pipeline) 同时处理(每个response的)item的最大值
  • concurrent_requests
    • 默认: 16
    • scrapy downloader 并发请求(concurrent requests)的最大值
  • default_request_headers
    • 默认: 如下
{
'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'accept-language': 'en',
}

  

scrapy http request使用的默认header。
  • depth_limit
    • 默认: 0
    • 爬取网站最大允许的深度(depth)值。如果为0,则没有限制
  • download_delay
    • 默认: 0
    • 下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度, 减轻服务器压力。同时也支持小数
    • download_delay = 0.25 # 250 ms of delay
    • 默认情况下,scrapy在两个请求间不等待一个固定的值, 而是使用0.5到1.5之间的一个随机值 * download_delay 的结果作为等待间隔
  • download_timeout
    • 默认: 180
    • 下载器超时时间(单位: 秒)
  • item_pipelines
    • 默认: {}
    • 保存项目中启用的pipeline及其顺序的字典。该字典默认为空,值(value)任意,不过值(value)习惯设置在0-1000范围内,值越小优先级越高
item_pipelines = {
'myspider.pipelines.somethingpipeline': 300,
'myspider.pipelines.itcastjsonpipeline': 800,
}

  

  • log_enabled
    • 默认: true
    • 是否启用logging
  • log_encoding
    • 默认: 'utf-8'
    • logging使用的编码
  • log_level
    • 默认: 'debug'
    • log的最低级别。可选的级别有: critical、 error、warning、info、debug
  • user_agent
    • 默认: "scrapy/version (+http://scrapy.org)"
    • 爬取的默认user-agent,除非被覆盖
  • proxies: 代理设置
  • cookies_enabled = false
    • 禁用cookies

scrapy-redis

scrapy-redis提供了下面四种组件(components):(四种组件意味着这四个模块都要做相应的修改)

  • scheduler
  • duplication filter
  • item pipeline
  • base spider

scrapy-redis的总体思路

  • 这个工程通过重写scheduler和spider类,实现了调度、spider启动和redis的交互
  • 实现新的dupefilter和queue类,达到了判重和调度容器和redis的交互,因为每个主机上的爬虫进程都访问同一个redis数据库,所以调度和判重都统一进行统一管理,达到了分布式爬虫的目的
  • 当spider被初始化时,同时会初始化一个对应的scheduler对象,这个调度器对象通过读取settings,配置好自己的调度容器queue和判重工具dupefilter
  • 每当一个spider产出一个request的时候,scrapy内核会把这个reuqest递交给这个spider对应的scheduler对象进行调度,scheduler对象通过访问redis对request进行判重,如果不重复就把他添加进redis中的调度池
  • 当调度条件满足时,scheduler对象就从redis的调度池中取出一个request发送给spider,让他爬取
  • 当spider爬取的所有暂时可用url之后,scheduler发现这个spider对应的redis的调度池空了,于是触发信号spider_idle,spider收到这个信号之后,直接连接redis读取strart url池,拿去新的一批url入口,然后再次重复上边的工作

请使用手机"扫一扫"x