一、IP代理池(比较简陋，后续更新)

验证ip，proxies用的是两个协议，http和https都要有

import re

import requests

url = 'https://tool.lu/ip'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36 Edg/96.0.1054.62'
}
proxies ={
    'http':'47.243.190.108:7890',
    'https':'47.243.190.108:7890'
}
res = requests.get(url=url,headers=headers,proxies=proxies,timeout=3).text
ip = re.search(r'[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}',res,flags=re.S).group(0)
print(ip)

二、python爬虫之scrapy框架

先贴一张图

基本命令

• 生成基本框架

scrapy startproject myspider

• 创建爬虫文件

cd myspider
scrapy genspider -t crawl SpiderName  DomaimName

ps:上面加的参数 -t crawl 是创建crawlspider,里面的Rule方法可以帮助提取url
例：笔趣阁，全站爬取

• 首先，拿到更多的连接，然后，进入这个分类中，拿到分页的url，再然后，拿到每页的书籍url，并进入详情页
  
• 使用crawlspider，只需要三行就能拿到
  
• 解释一下上面的代码
• LinkExtractor ：提取器（就是提取页面url的，直接将页面url的规则放进去就行）
• callback ： 回调函数，就是提取页面内容，提取url是上面那个方法，这个就用在提取详情页（数据）的时候用
• follow ： 这么想，提取到的页面（page）的url，是不是还要再提取一边每个书籍的url，然后再提取详情页面数据，这个时候，就要加个follow=True
• 运行

scrapy crawl SpiderName  

• 运行后的数据就在
• 注意看，这个函数名是parse_item()
• 如果是不加任何参数的框架,生成的函数时 parse()

scrapy stratproject myspider

response的一些返回值和参数

• 返回值
• 就是requests的返回参数，url,headers,status
• response.body.decode() : 返回文本对象
• headers ：请求头
• 参数
• meta ：这个参数主要用于传递item字典对象
• callback：回调函数（有多页数据或有详情页）
• dont_filter ： 默认为False，去重
• proxy ： 设置代理，一般在item字典中
• request.meta['proxy'] = 'https://' + 'ip:port'
• setting中的配置
• download_timeout : 和request模块的timeout一样，设置超时
• max_retry_times ： 最大请求次数（默认两次）
• dont_retry ： 请求失败的url不再请求
• dont_merge_cookies ： scrapy会自动保存返回的cookies，自己添加或不用的话就设置True
• bindaddress ：输出绑定IP
• ROBOTSTXT_OBEY：是否遵守协议
• LOG_LEVEL：打印日志等级
  • ERROR
  • WARNING
  • INFO
• CONCURRENT_REQUESTS ：开启线程数
• DOWNLOAD_DELAY：下载延迟
• DEFAULT_REQUEST_HEADERS：开启后覆盖默认的请求头
• 下载中间件和爬虫中间件后面的参数越小，优先级越高

scrapy基本用法

设置run文件（setting同级）

from scrapy import cmdline

cmdline.execute('scrapy crawl xt'.split())

重写方法 start_requests

更改中间件middlewares

随机UA代理

fake_useragent 是一个包，pip install一下

from fake_useragent import UserAgent
class DouyinxingtuUserAgentDownloaderMiddleware:
    def process_request(self, request, spider):
        agent = UserAgent(path='fake_useragent_0.1.11.json').random
        request.headers['User-Agent'] = agent

设置用户代理ip

class DouyinxingtuProxiesDownloaderMiddleware:
    def process_request(self, request, spider):
        porixList = getIp()
        self.porix = random.choice(porixList) # 116.208.24.72:8118
        request.meta['proxy'] ='https://'+self.porix
        print(request.meta)
    # 如果报错，就返回
    def process_exception(self, request, exception, spider):
        print('删除数据库的值')
        return request

设置cookie（scrapy中间件里设置cookie要的是字典格式）

上面是直接从浏览器复制的，将字符串转换成字典

class DouyinxingtuCookieDownloaderMiddleware:
    def process_request(self, request, spider):
        cookie = self.get_cookie()
        cookies = dict([l.split("=", 1) for l in cookie.split("; ")])
        request.cookies=cookies

基于管道存储

先打开setting配置

这个是pipelines里面的类名

管道类配置

# mysql数据库存储
class DouyinxingtuPipelineMysqlSave:
    fp=None
    def open_spider(self,spider):
        print('爬虫开始')
        # 连接数据库

        pass

    def process_item(self,item,spider):
        print(item) # 这个是items中的item
        pass

    def close_spider(self,spider):
        print('爬虫结束')
        pass

个人习惯，引入items中的类

• 引入类，并赋值

  item = DouyinxingtuItem()
  item['data'] = response['data']
  

• items
  

• 保存数据库（mysql，原生sql）

标签：item,Python,self,request,爬虫,spider,url,scrapy
来源： https://blog.csdn.net/zhi___you/article/details/122406327