[Python知识库]爬虫scrapy总结笔记

爬虫scrapy总结笔记

1.声明一下：

提醒一下，爬虫有风险，我在前几天用学校的ip做爬虫测试，导致人家服务器nginx报错，吓死人了，所以爬虫太快相当于Ddos攻击，要坐牢的！！
猫眼电影知道我们很多学生都是拿他做测试，他的反爬措施就是让我们手动拉滑块，防止我们太快，已经是非常良心的了，一般一个ip整站抓取，只要不是太快，一般可以完成，但是就是别快，快了就是给你封ip
然后我继续提醒一下：我对爬虫的运行方式已经非常的清楚写的了，这个是我写的总结性笔记

1.创建项目

#创建爬虫项目
scrapy startproject Maoyan
#创建爬虫文件
cd Maoyan
scrapy genspider maoyan maoyan.com

Scrapy基本组件

• 引擎（Engine）----------整个框架核心
• 爬虫程序（Spider）------数据解析提取
• 调度器（Scheduler）-----维护请求队列
• 下载器（Downloader）----获取响应对象
• 管道文件（Pipeline）-----数据入库处理

scrapy项目目录结构

Maoyan                  # 项目文件夹
├── maoyan              # 项目目录
│   ├── items.py        # 定义数据结构
│   ├── middlewares.py  # 中间件
│   ├── pipelines.py    # 数据处理
│   ├── settings.py     # 全局配置
│   └── spiders
│       ├── maoyan.py   # 爬虫文件
└── scrapy.cfg          # 项目基本配置文件

2.创建项目的基本步骤

【1】新建项目和爬虫文件
    scrapy startproject 项目名
    cd 项目文件夹
    新建爬虫文件 ：scrapy genspider 文件名 域名
【2】明确目标(items.py)
【3】写爬虫程序(文件名.py)
【4】管道文件(pipelines.py)
【5】全局配置(settings.py)
【6】运行爬虫
    1) 终端: scrapy crawl 爬虫名
    2) pycharm运行
        a> 创建run.py(和scrapy.cfg文件同目录)
          #共两行
	      from scrapy import cmdline
	      cmdline.execute('scrapy crawl maoyan'.split())
        
        b> 直接运行 run.py 即可

3.创建项目的基本步骤实现

tips：这个只是get请求的项目

1.新建项目和爬虫文件

#初始化一个爬虫项目（这边的名字不能和爬虫文件名一样，所以我这边第一个首字母设置了大写）
scrapy startproject Maoyan
#进行项目目录
cd Maoyan
#scrapy genspider 爬虫文件名 爬虫目标网址（根网址）
scrapy genspider maoyan maoyan.com

2.明确需要抓取什么信息

• 电影名称
• 主演
• 时间

我需要这三个信息，我就是scrapy项目中的items文件中写入三个

"""items.py"""
import scrapy
class MaoyanItem(scrapy.Item):
    name = scrapy.Field()#电影名称
    star = scrapy.Field()#主演
    time = scrapy.Field()#时间

3.写爬虫程序（位于spider文件下的maoyan.py）

在这里有一个重点

因为猫眼是通过url的offset=页数，然而scrapy给的start_url有一个很大的局限性，所以我就打算重新写一个方法代替start_url

start_url:就是在程序第一次启动的时候，去请求的链接，一个链接就请求一次，如果有成千上万条请求那不就GG了

猫眼电影翻页逻辑

https://maoyan.com/board/4?offset=0  #第一页
https://maoyan.com/board/4?offset=10 #第二页
····
https://maoyan.com/board/4?offset=90 #第十页

所以重新写一个方法，代替start_url

方法如下：

def start_requests(self):
    for page in range( 0, 91, 10):
        url = f'https://maoyan.com/board/4?offset={page}'
        yield scrapy.Request(url=url,callback=self.parse)#把url一次性传到调度器，让调度器传给下载器
       	#yield方法相当于return ，但是又有点像next,  返回再继续，返回再继续，直到什么都没了
        #callback非常重要，他代表了下载器请求完数据需要到那个解析进行处理（在maoyan.py中的parse）

然后咱们之前有写了一个items文件，即确定要提取的字段，把他引入到爬虫文件中

#引入items
from ..items import MaoyanItem

#怎么使用呢？
"""
item = MaoyanItem()
#然后咱们不是有三个数据需要抓取的
分别为
item['name'] = 解析以后的数据
item['star'] = 解析以后的数据
item['time'] = 解析以后的数据

yield item
#提交上去给管道
"""

完整代码如下：（在这里是spider文件夹下的maoyan.py）

# -*- coding: utf-8 -*-
import scrapy
from ..items import MaoyanItem

class MaoyanSpider(scrapy.Spider):
    name = 'maoyan'
    allowed_domains = ['maoyan.com']
    # 1.去掉start_urls
    # 2.重写start_requests()
    def start_requests(self):
        for offset in range(0, 91, 10):
            url = 'https://maoyan.com/board/4?offset={}'.format(offset)
            # 交给调度器入队列
            yield scrapy.Request(url=url, callback=self.parse_html)

    def parse_html(self, response):
        dd_list = response.xpath('//dl/dd')
        for dd in dd_list:
            item = MaoyanItem()
            item['name'] = dd.xpath('.//p[@class="name"]/a/text()').get().strip()
            item['star'] = dd.xpath('.//p[@class="star"]/text()').get().strip()
            item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').get().strip()
            print(item)
            # 交给项目管道处理
            yield item

4.管道文件（数据保存的地方）** 新的方法记得去注册哦！ **

在这个时候传给管道的文件就已经是非常完美了

大概这个时候数据是这个样子的

{'name':'喜羊羊与灰太狼','star':'未知','time':'2000年'}
·······
{'name':'XXXXXX','star':'XX','time':'XXX'}

然后就是开始数据持久化

按照比赛要求，数据的格式为：
1.csv
2.json
3.Mysql

由于csv和json都是有固定格式的，scrapy所以就帮我们封装好了，but，我们必须自己手写一个方法

首先一进到管道文件的样子是：方法的最后面必须加上 return item 这个非常重要

现在只要在爬虫名后面添加 -o 文件名.csv
                     或者 -o 文件名.json(json因为默认不输出utf-8)，如果不设置编码会乱码，具体怎么做，我就不想写了，因为百度可以百度到，可以这么写，scrapy输出json乱码


如果你要拿csv（因为scrapy封装，但是有一个很大的问题，就是顺序）
我之前的顺序是，name,star,time，如果只是有scrapy的方法，他不会按照你的顺序，所以我直接写了一个方法
from scrapy import cmdline
cmdline.execute('scrapy crawl maoyan -o maoyan.csv'.split())

要拿json的话，就去把maoyan.csv改成maoyan.json(不过要注意编码，一行就能解决，但是我就不说，自己百度)

# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
class MaoyanPipeline(object):
    def process_item(self, item, spider):
        print(item)  #{'name': '网络谜踪', 'star': '主演：约翰·赵,米切尔·拉,黛博拉·梅辛', 'time': '上映时间：2018-12-14'}
        
        return item  #return item非常重要，必须写

So·····

接下来要做的：我现在的想法是把scrapy自带的MaoyanPipeline方法留着，自己写三个，分别存在csv文件、json文件和Mysql数据库

为了能够解释清楚：管道的基本用法：

class SomethingPipeline(object):
    def __init__(self):    
        # 可选实现，做参数初始化等
        # 就是初始化，就是相当于王者荣耀开局的200金币，后面就不会在有这种待遇，想要有这个待遇就是开下一局

    def process_item(self, item, spider):
        # item (Item 对象) – 爬取数据的item
        # spider (Spider 对象) – 爬取该item的spider
        # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
        # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
        return item

    def open_spider(self, spider):
        # spider – 被开启的spider
        # 可选，spider开启时，这个方法被调用。

    def close_spider(self, spider):
        # spider – 被关闭的spider
        # 可选，spider关闭时，这个方法被调用

1.csv文件

重要！重要！重要！

写完代码以后要先去settings.py文件中进行管道注册

写完代码以后要先去settings.py文件中进行管道注册

写完代码以后要先去settings.py文件中进行管道注册

！！否则无法使用！！

#相当于有了驾照才能上路，scrapy也要在settings里面进行注册，才能让我们写的方法合法运行
ITEM_PIPELINES = {
   'Maoyan.pipelines.MaoyanPipeline': 300,
    'Maoyan.pipelines.Maoyan_csv_Pipeline':299,
    'Maoyan.pipelines.Maoyan_json_Pipeline':269,
    'Maoyan.pipelines.Maoyan_Mysql_Pipline':209,
}

思路：

1.先初始化，然后在初始化写入表头

    def __init__(self):
        # csv文件的位置,无需事先创建
        store_file = os.path.dirname(__file__) + '/CSV/maoyan.csv'
        # 打开(创建)文件
        self.file = open(store_file, 'w',newline='',encoding='utf-8')
        # csv写法
        self.writer = csv.writer(self.file)
        #创建表头
        self.writer.writerow(['电影名字','电影主演','电影上映时间'])

2.然后插入数据

    def process_item(self, item, spider):
        if item['name']:
            self.writer.writerow([item['name'],item['star'],item['time']])
            return item
        else:pass

3.爬虫结束关闭文件

    def close_spider(self,spider):
        self.file.close()

4.一个保存csv文件保存完整代码

class Maoyan_csv_Pipeline(object):
    def __init__(self):
        # csv文件的位置,无需事先创建
        store_file = os.path.dirname(__file__) + '/CSV/maoyan.csv'
        # 打开(创建)文件
        self.file = open(store_file, 'w',newline='',encoding='utf-8')
        # csv写法
        self.writer = csv.writer(self.file)
        #创建表头
        self.writer.writerow(['电影名字','电影主演','电影上映时间'])
    def process_item(self, item, spider):
        if item['name']:
            self.writer.writerow([item['name'],item['star'],item['time']])
            return item
        else:pass
    def close_spider(self,spider):
        self.file.close()

来一个截图，嘿嘿，不过提醒一下，编码问题 虽然简单，但是很重要哦

? 简单在于，网页是什么编码我们就是什么编码

? 重要在于，你不写就会乱码（一堆符号，看不懂 =呜呜呜=）

2.json文件

首先先看看json的基本格式：

{ "people": [
  { "firstName": "Brett", "lastName":"McLaughlin", "email": "brett@newInstance.com" },
  { "firstName": "Jason", "lastName":"Hunter", "email": "jason@servlets.com" },
  { "firstName": "Elliotte", "lastName":"Harold", "email": "elharo@macfaq.com" }
]}

3.Mysql数据库

完整代码如下：

class Maoyan_Mysql_Pipline:
    def open_spider(self,spider):
        self.db = pymysql.connect(host='localhost',user='xiaochen',port=3306,password='123456',db='Maoyan',charset='utf8mb4')
        self.cur = self.db.cursor()
        self.ins = 'insert into tb_maoyan values (%s,%s,%s)'
    def process_item(self, item, spider):
        li = [
            item['name'],
            item['star'],
            item['time']
        ]
        self.cur.execute(self.ins,li)

        self.db.commit()
        time.sleep(0.1)
        return item

    def close_spider(self,spider):
        self.cur.close()
        self.db.close()