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：
在这里插入图片描述
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