网络爬虫之scrapy框架详解
twisted介绍
皇冠体育二代信用盘带手机版 QQ2952777280
Twisted是用Python实现的基于事件驱动的网络引擎框架，scrapy正是依赖于twisted，

它是基于事件循环的异步非阻塞网络框架，可以实现爬虫的并发。

twisted是什么以及和requests的区别：

request是一个python实现的可以伪造浏览器发送Http请求的模块，它封装了socket发送请求
twisted是基于时间循环的异步非阻塞的网络框架，它也封装了socket发送请求，但是他可以单线程的完成并发请求。
twisted的特点是：

非阻塞：不等待
异步：回调
事件循环：一直循环去检查状态
scrapy的pipeline文件和items文件
这两个文件有什么作用
先看看我们上篇的示例：

View Code
　　在这个示例中，虽然我们已经通过chouti.py一个文件中的parse方法实现了爬去抽屉网的新闻并将之保存在文件中的功能，

但是我们会发现有两个问题：

1、在循环爬去每一页的时候，每次都需要重新打开然后再关闭文件，如果数据量庞大的话，这对性能有很大的影响。

2、我们将解析和数据持久化都放在了同一个文件的同一个方法中，没有做到分工明确

如果要解决这两个问题，则需要用到scrapy自动为我们生成的pipeline文件和items文件

这两个文件怎么用
如果我们要使用这两个文件从而解决问题，则需要有四部操作：

a.编写pipeline文件中的类，格式如下：

class XXXPipeline(object):
def process_item(self, item, spider):
return item
b.编写items文件中的类，格式如下：

class XXXItem(scrapy.Item):
href = scrapy.Field()
title = scrapy.Field()
c.配置settings文件

ITEM_PIPELINES = {
'xxx.pipelines.XXXPipeline': 300,

'xxx.pipelines.XXXPipeline2': 600, # 后面的数字为优先级，数字越大，优先级月底

}
d.在parse方法中yield一个Item对象

from xxx.items import XXXItem

def parse(self, response):
...
yield XXXItem(text=text,href=href)
执行流程为：

当我们在执行爬虫中的parse方法的时候，scrapy一旦解析到有yield XXXitem的语句，就会到配置文件中找

ITEM_PIPELINES的配置项，进而找到XXXPipeline类，然后执行其中的方法，我们就可以在方法中做很多操作

当然，pipeline中不止process_item一个方法。

Pipeline中的方法详解

class FilePipeline(object):

def __init__(self,path):
    self.f = None
    self.path = path

@classmethod
def from_crawler(cls, crawler):
    """
    初始化时候，用于创建pipeline对象
    :param crawler:
    :return:
    """
            # 从配置文件中获取配置好的文件存放目录
    path = crawler.settings.get('HREF_FILE_PATH')
    return cls(path)

def open_spider(self,spider):
    """
    爬虫开始执行时，调用
    :param spider:
    :return:
    """
    self.f = open(self.path,'a+')

def process_item(self, item, spider):
    # 在这里做持久化
    self.f.write(item['href']+'\n')
    return item     # 交给下一个pipeline的process_item方法
    # raise DropItem()# 如果写上这一句，后续的 pipeline的process_item方法不再执行

def close_spider(self,spider):
    """
    爬虫关闭时，被调用
    :param spider:
    :return:
    """
    self.f.close()

去重
scrapy内部实现的去重

从上一篇的例子我们可以看出，其实scrapy内部在循环爬去页码的时候，已经帮我们做了去重功能的，

因为我们在首页可以看到1,2,3,4,5,6,7,8,9,10页的页码以及连接，当爬虫爬到第二页的时候，

还是可以看到这10个页面及连接，然后它并没有再重新把第一页爬一遍。

它内部实现去重的原理是，将已爬去的网址存入一个set集合里，每次爬取新页面的时候就先看一下是否在集合里面

如果在，就不再爬去，如果不在就爬取，然后再添加入到set里。当然，这个集合存放的不是原网址，

而是将链接通过request_fingerprint()方法将它变成一个类似于md5的值，这样可以节省存储空间

自定义去重

虽然scrapy已经帮我们实现了去重，但是有时候不足以满足我们的需求，这样就需要我们自定义去重了

自定义去重分两步

1、编写DupeFilter类

from scrapy.dupefilter import BaseDupeFilter
from scrapy.utils.request import request_fingerprint

class XXXDupeFilter(BaseDupeFilter):

def __init__(self):
    '''初始化一个集合，用来存放爬去过的网址'''
    self.visited_fd = set()

@classmethod
def from_settings(cls, settings):
    '''
    如果我们自定义了DupeFilter类并且重写了父类的该方法，
    scrapy会首先执行该方法，获取DupeFilter对象，
    如果没有定义，则会执行init方法来获取对象
    '''
    return cls()

def request_seen(self, request):
    '''在此方法中做操作，判断以及添加网址到set里'''
    # 将request里的url转换下，然后判断是否在set里
    fd = request_fingerprint(request=request)
    # 循环set集合，如果已经在集合里，则返回True，爬虫将不会继续爬取该网址
    if fd in self.visited_fd:
        return True
    self.visited_fd.add(fd)

def open(self):  # can return deferred
    '''开始前执行此方法'''
    print('开始')

def close(self, reason):  # can return a deferred
    '''结束后执行此方法'''
    print('结束')

def log(self, request, spider):  # log that a request has been filtered
    '''在此方法中可以做日志操作'''
    print('日志')

2.配置settings文件

1
2
3

修改默认的去重规则

DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'

DUPEFILTER_CLASS = 'xxx.dupefilters.XXXDupeFilter'
深度
深度就是爬虫所要爬取的层级

限制深度只需要配置一下即可

1
2

限制深度

DEPTH_LIMIT = 3
cookie
获取上一次请求之后获得的cookie

from scrapy.http.cookies import CookieJar

class ChoutiSpider(scrapy.Spider):
name = 'chouti'
allowed_domains = ['chouti.com']
start_urls = [http://hxforum.com/thread-422-1-1.html/']
cookie_dict = {}
def parse(self, response):

    # 去响应头中获取cookie，cookie保存在cookie_jar对象
    cookie_jar = CookieJar()
    cookie_jar.extract_cookies(response, response.request)

    # 去对象中将cookie解析到字典
    for k, v in cookie_jar._cookies.items():
        for i, j in v.items():
            for m, n in j.items():
                self.cookie_dict[m] = n.value

再次请求的时候携带cookie

yield Request(
url='http://hxforum.com/thread-422-1-1.html',
method='POST',
body="phone=861300000000&password=12345678&oneMonth=1",#
cookies=self.cookie_dict,
headers={
'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8'
},
callback=self.check_login
)

皇冠体育二代信用盘带手机版网络爬虫之scrapy框架详解

'xxx.pipelines.XXXPipeline2': 600, # 后面的数字为优先级，数字越大，优先级月底

修改默认的去重规则

DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'

限制深度

猜你喜欢