标签：全站 Python tr redis 爬虫 item scrapy td

目录

• 1 scrapy全站爬取
  • 1.1 全站爬取简介
  • 1.2 CrawlSpider
    • 1.2.1 基本讲解
    • 1.2.2 使用CrawlSpider
      • 1.2.2.1 爬虫文件
      • 1.2.2.2 items.py文件
• 2 分布式爬虫
  • 2.1 分布式爬虫概念
  • 2.2 环境安装
  • 2.3 使用方法
    • 2.3.1 CrawlSpider配置
    • 2.3.2 redis相关配置
    • 2.3.3 启动工程
• 3 增量式爬虫
  • 3.1 概念讲解
  • 3.2 使用
    • 3.2.1 爬虫文件
    • 3.2.2 管道文件

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

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。