Python爬虫之scrapy高级(全站爬取,分布式,增量爬虫)
作者：互联网
1 scrapy全站爬取
1.1 全站爬取简介
CrawlSpider：全站数据爬虫的方式，它是一个类，属于Spider的子类
如果不使用CrawlSpider，那么就相当于基于spider，手动发送请求，太不方便
基于CrawlSpider可以很方便地进行全站数据爬取
1.2 CrawlSpider
1.2.1 基本讲解
基本步骤：
- 创建一个工程:
scrapy startproject ProjectName - 切换到爬虫工程中后，创建爬虫文件：
scrapy genspider -t crawl xxx www.xxx.com
使用CrawlSpider和spider产生的爬虫文件除了继承类不一样外还有一个rules的规则解析器
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
在rules规则解析器内有一个链接提取器LinkExtractor(allow=r'Items/')，callback是规则解析器指定的解析方法，follow是指爬取页面内可见部分页面还是全部
页面内可见部分页面如下：
链接提取器作用：根据指定的规则allow=r'Items/'进行指定的链接的提取
规则解析器作用：把链接提取器提取到的链接进行指定规则callback='parse_item'的解析操作
follow作用：True可以把 链接提取器 继续作用到 链接提取器提取到的链接所对应的 页面 中，False爬取页面内可见部分页面
1.2.2 使用CrawlSpider
1.2.2.1 爬虫文件
使用CrawlSpider生成爬虫文件时，在规则解析器rules里面添加正则表达式进而发起请求，如果要一个请求内需要再次发起请求，就需要在rules中添加链接请求并指定对应的解析方法
注意：xpath中最好不要出现tbody标签
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem
class SunSpider(CrawlSpider):
name = 'sun'#爬虫文件名
# allowed_domains = ['www.xxx.com']#允许的url
start_urls = ['http://dk.test.com/mail/?ac=list&tid=1']#url列表
#规则解析器
rules = (
#LinkExtractor(allow=r'Items/')连接提取器，就是用来提取连接，根据指定规则(allow=r'Items/')进行指定连接的提取
Rule(LinkExtractor(allow=r'ac=list&tid=1&order=1&page=\d+'), callback='parse_item', follow=False),
#获取详情信息
Rule(LinkExtractor(allow=r'ct=index&ac=detail&id=\d+'), callback='parse_detail', follow=False),
)
def parse_item(self, response):
tr_list=response.xpath('/html/body/table[2]//tr/td/table//tr[3]/td/table//tr/td[1]/table//tr/td/table//tr[1]/td/div/table//tr[@bgcolor="#FFFFFF"]')
# print(tr_list)
for tr in tr_list:
news_num = tr.xpath('./td[1]/text()').extract_first()
news_title = tr.xpath('./td[2]/a/text()').extract_first()
print(news_num,news_title)
""" item=SunproItem()
item['news_title']=news_title
item['news_num']=news_num
yield item """
def parse_detail(self,response):
news_id=response.xpath('/html/body/table[2]//tr/td/table//tr[3]/td/table//tr/td[1]/table//tr[1]/td/table//tr/td/table//tr[2]/td/table//tr[1]/td[1]/span/text()').extract_first()
news_content=response.xpath('/html/body/table[2]//tr/td/table//tr[3]/td/table//tr/td[1]/table//tr[1]/td/table//tr/td/table//tr[3]/td/table//tr[1]/td/table//tr[2]/td//text()').extract()
news_content=''.join(news_content)
item=DetailItem()
item['news_id']=news_id
item['news_content']=news_content
yield item
1.2.2.2 items.py文件
由于不能发送请求时传参因此，需要两个item类文件
import scrapy
class SunproItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
news_title=scrapy.Field()
news_num=scrapy.Field()
class DetailItem(scrapy.Item):
news_id=scrapy.Field()
news_content=scrapy.Field()
2 分布式爬虫
2.1 分布式爬虫概念
分布式爬虫：需要搭建一个分布式的集群，让其对一组资源进行分布联合爬取，主要是为了提升爬取数据效率
2.2 环境安装
安装一个scrapy-redis的组件：pip install scrapy-redis，由于原生的scrapy不可以失效分布式爬虫，必须让scrapy结合scrapy-redis组件一起实现分布式爬虫
那么为什么原生scrapy不可以实现分布式？
- 调度器不可以被分布式集群共享
- 管道不可以被分布式集群共享
但是scrapy-redis组件可以提供共享的管道和调度器
2.3 使用方法
2.3.1 CrawlSpider配置
基本使用步骤：
- 创建基于
CrawlSpider的爬虫文件，修改爬虫文件
导包：from scrapy_redis.spiders import RedisCrawlSpider
把start_urls和allowed_domains注释掉
添加一个新属性：redis_key='sun'作为可以被共享的调度器队列名称
编写数据解析相关操作
把当前父类修改为RedisCrawlSpider
- 修改配置文件
settings.py，不要开启项目自带的pipelines不然还是走的原来的管道，需要指定共享的管道RedisPipeline，还要指定调度器
指定管道
ITEM_PIPELINES = {
#'sunPro.pipelines.SunproPipeline': 300,
'scrapy_redis.pipelines.RedisPipeline':400
}
指定调度器
#增加一个去重容器类的配置，作用使用redis的set集合来存储请求的指纹数据，从而实现请求去重的持久化
DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
#使用scrapy-redis组件自己的调度器
SCHEDULER='scrapy_redis.scheduler.Scheduler'
#配置调度器是否需要持久化，也就是当爬虫结束了，要不要清空reids中请求队列
#如果服务器宕机了，重启后从爬取的位置继续爬取
SCHEDULER_PERSIST = True
指定redis地址和端口
REDIS_HOST='127.0.0.1'
REDIS_PORT='6379'
2.3.2 redis相关配置
把redis.windows-server.conf文件修改把bind 127.0.0.1给注释掉，由于要把爬到的数据库储存到不同地方，因此不要绑定本地
关闭保护模式protected-mode yes修改为protected-mode no，如果开启了保护模式，那么其他客户端只能读取redis而不能写入
2.3.3 启动工程
分布式爬虫启动和scrapy工程不同，需要定位到爬虫文件.py目录内，执行scrapy runspider xxx.py
工程启动后在redis客户端中向redis添加调度队列：lpush sun www.xxx.com(由于之前写过redis_key='sun'的共享调度属性)
3 增量式爬虫
3.1 概念讲解
增量式爬虫：检测网站数据更新的情况，只会爬取网站最新出来的数据
还是基于CrawlSpider获取其他页码链接处理的，每次爬取时，都会对已经爬取的数据进行比较，若爬取过了，就不再爬取
3.2 使用
3.2.1 爬虫文件
主要通过redis来判断是否已经存储过
from redis import Redis
from sunPro.items import SunproItem
class SunSpider(CrawlSpider):
name = 'sun'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://www.xxx.com/']
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
#创建redis对象
conn = Redis(host='127.0.0.1',port=6379)
def parse_item(self, response):
li_list=response.xpath('xxxxx');
for li in li_list:
# 获取详情url
detail_url=li.xpath('xxxxxxxxxx').extract_first()
ex=self.conn.sadd('urls',detail_url)
if ex==1:
print('该url没有爬取过，可以进行数据爬取')
yield scrapy.Request(url=detail_url,callback=self.parse_detail)
else:
print('数据没有更新，暂无新数据可爬取')
def parse_detail(self,response):
item = SunproItem()
item['name']=response.xpath('xxxxxxxxxxxxx').extract()
3.2.2 管道文件
在管道文件中获取redis
class SunproPipeline:
conn=None
# 开启爬虫时执行，只执行一次
def open_spider(self,spider):
self.conn=spider.conn
#理提取的数据(保存数据)
def process_item(self, item, spider):
dict={
'name':item['name']
}
self.conn.lpush('test',dict)
return item
# 关闭爬虫时执行，只执行一次。 (如果爬虫中间发生异常导致崩溃，close_spider可能也不会执行)
def close_spider(self, spider):
# 可以关闭数据库等
pass
标签：全站,Python,tr,redis,爬虫,item,scrapy,td 来源： https://www.cnblogs.com/jingzh/p/15312992.html