爬虫 --- 07. 全站爬取, post请求,cookie, 传参,中间件,selenium

一.全站数据的爬取

- yield scrapy.Request(url,callback):callback回调一个函数用于数据解析
# 爬取阳光热线前五页数据

import scrapy
from sunLinePro.items import SunlineproItem

class SunSpider(scrapy.Spider):
    name = ‘sun‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘http://wz.sun0769.com/index.php/question/questionType?type=4&page=‘]

    #通用的url模板（不可以修改）
    url = ‘http://wz.sun0769.com/index.php/question/questionType?type=4&page=%d‘
    page = 1

    def parse(self, response):
        print(‘--------------------------page=‘,self.page)
        tr_list = response.xpath(‘//*[@id="morelist"]/div/table[2]//tr/td/table//tr‘)
        for tr in tr_list:
            title = tr.xpath(‘./td[2]/a[2]/text()‘).extract_first()
            status = tr.xpath(‘./td[3]/span/text()‘).extract_first()

            item = SunlineproItem()
            item[‘title‘] = title
            item[‘status‘] = status

            yield item
        if self.page < 5:
            #手动对指定的url进行请求发送
            count = self.page * 30
            new_url = format(self.url%count)
            self.page += 1
            # 手动对指定的url进行请求发送
            yield scrapy.Request(url=new_url,callback=self.parse)

二.如何进行post请求发送 和cookie处理

　　1.post请求的发送

    - post请求的发送:
        - 重写父类的start_requests(self)方法
        - 在该方法内部只需要调用yield scrapy.FormRequest(url,callback,formdata)
import scrapy

class PostdemoSpider(scrapy.Spider):
    name = ‘postDemo‘
    # allowed_domains = [‘www.xxx.com‘]
    #https://fanyi.baidu.com/sug
    start_urls = [‘https://fanyi.baidu.com/sug‘]
    #父类方法，就是将start_urls中的列表元素进行get请求的发送
    # def start_requests(self):
    #     for url in self.start_urls:
    #         yield scrapy.Request(url=url,callback=self.parse)

    def start_requests(self):
        for url in self.start_urls:
            data = {
                ‘kw‘:‘cat‘
            }
            #post请求的手动发送使用的是FormRequest
            yield scrapy.FormRequest(url=url,callback=self.parse,formdata=data)

    def parse(self, response):
        print(response.text)

　　2.cookie的处理

    - cookie处理：scrapy默认情况下会自动进行cookie处理

三.请求传参

请求传参：
    - 使用场景：如果使用scrapy爬取的数据没有在同一张页面中，则必须使用请求传参
    - 编码流程：
        - 需求：爬取的是首页中电影的名称和详情页中电影的简介（全站数据爬取）
        - 基于起始url进行数据解析（parse）
            - 解析数据
                - 电影的名称
                - 详情页的url
                - 对详情页的url发起手动请求（指定的回调函数parse_detail），进行请求传参（meta）
                    meta传递给parse_detail这个回调函数
                - 封装一个其他页码对应url的一个通用的URL模板
                - 在for循环外部，手动对其他页的url进行手动请求发送（需要指定回调函数==》parse）
            - 定义parse_detail回调方法，在其内部对电影的简介进行解析。解析完毕后，需要将解析到的电影名称
                和电影的简介封装到同一个item中。
                - 接收传递过来的item，并且将解析到的数据存储到item中，将item提交给管道
# -*- coding: utf-8 -*-
import scrapy
from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):
    name = ‘movie‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://www.4567tv.tv/frim/index1.html‘]

    #通用的url模板只适用于非第一页
    url = ‘https://www.4567tv.tv/frim/index1-%d.html‘
    page = 2

    #电影名称（首页），简介（详情页）
    def parse(self, response):
        li_list = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/ul/li‘)
        for li in li_list:
            name = li.xpath(‘./div/a/@title‘).extract_first()
            detail_url = ‘https://www.4567tv.tv‘+li.xpath(‘./div/a/@href‘).extract_first()
            item = MovieproItem()
            item[‘name‘] = name

            #对详情页的url发起get请求
            #请求传参：meta参数对应的字典就可以传递给请求对象中指定好的回调函数
            yield scrapy.Request(url=detail_url,callback=self.detail_parse,meta={‘item‘:item})
        if self.page <= 5:
            new_url = format(self.url%self.page)
            self.page += 1
            yield scrapy.Request(url=new_url,callback=self.parse)
    #解析详情页的页面数据
    def detail_parse(self,response):
        #回调函数内部通过response.meta就可以接收到请求传参传递过来的字典
        item = response.meta[‘item‘]
        desc = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()‘).extract_first()
        item[‘desc‘] = desc

        yield item

四.中间件

    - 下载中间件的作用：批量拦截整个工程中发起的所有请求和响应
    - 拦截请求：
        - UA伪装：
        - 代理ip：
    - 拦截响应：

　　1.UA池 和代理池

UA池：User-Agent池

- 作用：尽可能多的将scrapy工程中的请求伪装成不同类型的浏览器身份。

　代理池:ip代理

- 作用：尽可能多的将scrapy工程中的请求的IP设置成不同的。

①在middlewares.py 文件中

import random

#批量拦截所有的请求和响应
class MiddlewearproDownloaderMiddleware(object):
    #UA池
    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"
    ]
    #代理池
    PROXY_http = [
        ‘153.180.102.104:80‘,
        ‘195.208.131.189:56055‘,
    ]
    PROXY_https = [
        ‘120.83.49.90:9000‘,
        ‘95.189.112.214:35508‘,
    ]

    #拦截正常请求：request就是该方法拦截到的请求，spider就是爬虫类实例化的一个对象
    def process_request(self, request, spider):
        print(‘this is process_request!!!‘)
        #UA伪装
        request.headers[‘User-Agent‘] = random.choice(self.user_agent_list)
        return None

    #拦截所有的响应
    def process_response(self, request, response, spider):

        return response

    #拦截发生异常的请求对象
    def process_exception(self, request, exception, spider):
        print(‘this is process_exception!!!!‘)
        #代理ip的设定
        if request.url.split(‘:‘)[0] == ‘http‘:
            request.meta[‘proxy‘] = random.choice(self.PROXY_http)
        else:
            request.meta[‘proxy‘] = random.choice(self.PROXY_https)

        #将修正后的请求对象重新进行请求发送
        return request

②在settings.py文件中

　　2.拦截响应和 selenium的使用

拦截响应:　　修改 中间件文件的 process_response 函数

selenium 浏览器自动化:
　　- 爬虫类中定义一个属性bro　　- 爬虫类中重写父类的一个方法closed，在该方法中关闭bro　　- 在中间件类的process_response中编写selenium自动化的相关操作
　　

示例:爬取  网易新闻 数据

①在 爬虫文件中

# -*- coding: utf-8 -*-
import scrapy
from wangyiPro.items import WangyiproItem
from selenium import webdriver
class WangyiSpider(scrapy.Spider):
    name = ‘wangyi‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://news.163.com/‘]
    #浏览器实例化的操作只会被执行一次
    bro = webdriver.Chrome(executable_path=‘chromedriver.exe‘)

    urls = []#最终存放的就是五个板块对应的url
    def parse(self, response):
        li_list = response.xpath(‘//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li‘)
        for index in [3,4,6,7,8]:
            li = li_list[index]
            new_url = li.xpath(‘./a/@href‘).extract_first()

            self.urls.append(new_url)
            #是五大板块对应的url进行请求发送
            yield scrapy.Request(url=new_url,callback=self.parse_news)

    #是用来解析每一个板块对应的新闻数据（新闻的标题）
    def parse_news(self,response):
        div_list = response.xpath(‘//div[@class="ndi_main"]/div‘)
        for div in div_list:
            title = div.xpath(‘./div/div[1]/h3/a/text()‘).extract_first()
            news_detail_url = div.xpath(‘./div/div[1]/h3/a/@href‘).extract_first()

            #实例化item对象将解析到的标题和内容存储到item对象中
            item = WangyiproItem()
            item[‘title‘] = title

            #对详情页的url进行手动请求发送以便回去新闻的内容
            yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta={‘item‘:item})
    def parse_detail(self,response):
        item = response.meta[‘item‘]
        #通过response解析出新闻的内容
        content = response.xpath(‘//div[@id="endText"]//text()‘).extract()
        content = ‘‘.join(content)

        item[‘content‘] = content

        yield item

    def closed(self,spider):
        print(‘爬虫整体结束！！！‘)
        self.bro.quit()

②在 中间件文件 中

# -*- coding: utf-8 -*-

# Define here the models for your spider middleware
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/spider-middleware.html

from scrapy import signals
from scrapy.http import HtmlResponse
from time import sleep

class WangyiproDownloaderMiddleware(object):

    def process_request(self, request, spider):

        return None

    #拦截整个工程中所有的响应对象
    def process_response(self, request, response, spider):
        if request.url in spider.urls:
            #就要将其对应的响应对象进行处理

            #获取了在爬虫类中定义好的浏览器对象
            bro = spider.bro
            bro.get(request.url)

            bro.execute_script(‘window.scrollTo(0,document.body.scrollHeight)‘)
            sleep(1)
            bro.execute_script(‘window.scrollTo(0,document.body.scrollHeight)‘)
            sleep(1)

            #获取携带了新闻数据的页面源码数据
            page_text = bro.page_source
            #实例化一个新的响应对象
            new_response = HtmlResponse(url=request.url,body=page_text,encoding=‘utf-8‘,request=request)
            return new_response
        else:
            return response

    def process_exception(self, request, exception, spider):

        pass

③注意事项

1. 导入浏览器启动文件

2. 修改 settings.py 文件

3,修改 items.py 文件

4,持久化存储式,修改 管道 文件

原文地址：https://www.cnblogs.com/sc-1067178406/p/10969948.html

时间： 2024-08-17 14:06:10

爬虫 --- 07. 全站爬取, post请求,cookie, 传参,中间件,selenium的相关文章

【Python爬虫】之爬取页面内容、图片以及用selenium爬取

下面不做过多文字描述: 首先.安装必要的库 # 安装BeautifulSoup pip install beautifulsoup4 # 安装requests pip install requests 其次.上代码!!! ①重定向网站爬虫h4文字 import requests from bs4 import BeautifulSoup from selenium import webdriver from selenium.webdriver.common.by import By from

爬虫5 scrapy框架2 全站爬取cnblogs, scarpy请求传参, 提高爬取效率, 下载中间件, 集成selenium, fake-useragent, 去重源码分析, 布隆过滤器, 分布式爬虫, java等语言概念补充, bilibili爬视频参考

1 全站爬取cnblogs # 1 scrapy startproject cnblogs_crawl # 2 scrapy genspider cnblogs www.cnblogs.com 示例: # cnblogs_crawl/cnblogs_crawl/spiders/cnblogs.py import scrapy from cnblogs_crawl.items import CnblogsCrawlItem from scrapy.http import Request class

爬虫 + 数据分析 - 7 CrawlSpider(全站爬取), 分布式, 增量式爬虫

一.全站爬取(CrawlSpider) 1.基本概念 作用:就是用于进行全站数据的爬取 - CrawlSpider就是Spider的一个子类 - 如何新建一个基于CrawlSpider的爬虫文件 - scrapy genspider -t crawl xxx www.xxx.com - LinkExtractor连接提取器:根据指定规则(正则)进行连接的提取 - Rule规则解析器:将链接提取器提取到的链接进行请求发送,然后对获取的页面数据进行 指定规则(callback)的解析 - 一个链接提

爬虫学习 Python网络爬虫第三弹《爬取get请求的页面数据》

爬虫学习 Python网络爬虫第三弹<爬取get请求的页面数据> 一.urllib库 urllib是Python自带的一个用于爬虫的库,其主要作用就是可以通过代码模拟浏览器发送请求.其常被用到的子模块在Python3中的为urllib.request和urllib.parse,在Python2中是urllib和urllib2. 二.由易到难的爬虫程序: 1.爬取百度首页面所有数据值 1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 #导包 4

【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy吸引人的地方在于它是一个框架,任何人都可

教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

欢迎加入Python学习交流群:535993938  禁止闲聊 ! 名额有限 ! 非喜勿进 ! 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy吸引人的地方在于

爬虫入门之爬取策略 XPath与bs4实现(五)

爬虫入门之爬取策略 XPath与bs4实现(五) 在爬虫系统中,待抓取URL队列是很重要的一部分.待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题,因为这涉及到先抓取那个页面,后抓取哪个页面.而决定这些URL排列顺序的方法,叫做抓取策略.下面重点介绍几种常见的抓取策略: 1 深度优先遍历策略: 深度优先遍历策略是指网络爬虫会从起始页开始,一个链接一个链接跟踪下去,处理完这条线路之后再转入下一个起始页,继续跟踪链接.我们以下面的图为例:遍历的路径:A-F-G E-H-I B C D

Python 爬虫入门之爬取妹子图

Python 爬虫入门之爬取妹子图 来源:李英杰  链接: https://segmentfault.com/a/1190000015798452 听说你写代码没动力?本文就给你动力,爬取妹子图.如果这也没动力那就没救了. GitHub 地址: https://github.com/injetlee/Python/blob/master/%E7%88%AC%E8%99%AB%E9%9B%86%E5%90%88/meizitu.py 爬虫成果 当你运行代码后,文件夹就会越来越多,如果爬完的话会有2

02. 爬取get请求的页面数据

目录 02. 爬取get请求的页面数据 一.urllib库 二.由易到难的爬虫程序: 02. 爬取get请求的页面数据 一.urllib库 urllib是Python自带的一个用于爬虫的库,其主要作用就是可以通过代码模拟浏览器发送请求.其常被用到的子模块在Python3中的为urllib.request和urllib.parse,在Python2中是urllib和urllib2. 二.由易到难的爬虫程序: 1.爬取百度首页面所有数据值 1 #!/usr/bin/env python 2 # -*