网络爬虫之scrapy框架详解

twisted介绍

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：

# -*- coding: utf-8 -*-
import scrapy
  
  
class ChoutiSpider(scrapy.Spider):
    '''
    爬去抽屉网的帖子信息
    '''
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://chouti.com/']
  
    def parse(self, response):
        # 获取帖子列表的父级div
        content_div = response.xpath('//div[@id="content-list"]')
  
        # 获取帖子item的列表
        items_list = content_div.xpath('.//div[@class="item"]')
  
        # 打开一个文件句柄，目的是为了将获取的东西写入文件
        with open('articles.log','a+',encoding='utf-8') as f:
            # 循环item_list
            for item in items_list:
                # 获取每个item的第一个a标签的文本和url链接
                text = item.xpath('.//a/text()').extract_first()
                href = item.xpath('.//a/@href').extract_first()
                # print(href, text.strip())
                # print('-'*100)
                f.write(href+'\n')
                f.write(text.strip()+'\n')
                f.write('-'*100+'\n')
  
        # 获取分页的页码，然后让程序循环爬去每个链接
        # 页码标签对象列表
        page_list = response.xpath('//div[@id="dig_lcpage"]')
        # 循环列表
        for page in page_list:
            # 获取每个标签下的a标签的url，即每页的链接
            page_a_url = page.xpath('.//a/@href').extract()
            # 将域名和url拼接起来
            page_url = 'https://dig.chouti.com' + page_a_url
  
            # 重要的一步！！！！
            # 导入Request模块，然后实例化一个Request对象，然后yield它
            # 就会自动执行Request对象的callback方法，爬去的是url参数中的链接
            from scrapy.http import Request
            yield Request(url=page_url,callback=self.parse)

　　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

# 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 = ['https://dig.chouti.com/']
    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='https://dig.chouti.com/login',
           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
       )

是不是感觉很麻烦？

那么，呵呵，其实，嘿嘿，

你只需要在Request对象的参数中加入 meta={'cookiejar': True} 即可！