爬虫的入门以及scrapy

一、简介

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

二、requests

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

import urllib2

import json

import cookielib

def urllib2_request(url, method="GET", cookie="", headers={}, data=None):

    """

    :param url: 要请求的url

    :param cookie: 请求方式，GET、POST、DELETE、PUT..

    :param cookie: 要传入的cookie，cookie= 'k1=v1;k1=v2'

    :param headers: 发送数据时携带的请求头，headers = {'ContentType':'application/json; charset=UTF-8'}

    :param data: 要发送的数据GET方式需要传入参数，data={'d1': 'v1'}

    :return: 返回元祖，响应的字符串内容 和 cookiejar对象

    对于cookiejar对象，可以使用for循环访问：

        for item in cookiejar:

            print item.name,item.value

    """

    if data:

        data = json.dumps(data)

    cookie_jar = cookielib.CookieJar()

    handler = urllib2.HTTPCookieProcessor(cookie_jar)

    opener = urllib2.build_opener(handler)

    opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])

    request = urllib2.Request(url=url, data=data, headers=headers)

    request.get_method = lambda: method

    response = opener.open(request)

    origin = response.read()

    return origin, cookie_jar

# GET

result = urllib2_request('http://127.0.0.1:8001/index/', method="GET")

# POST

result = urllib2_request('http://127.0.0.1:8001/index/',  method="POST", data= {'k1': 'v1'})

# PUT

result = urllib2_request('http://127.0.0.1:8001/index/',  method="PUT", data= {'k1': 'v1'})

Requests 是使用 Apache2 Licensed 许可证的基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

1、get请求

# 1、无参数实例

import requests

ret = requests.get('https://github.com/timeline.json')

print ret.url

print ret.text

# 2、有参数实例

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

ret = requests.get("http://httpbin.org/get", params=payload)

print ret.url

print ret.text

向 https://github.com/timeline.json 发送一个GET请求，将请求和响应相关均封装在 ret 对象中。

2、post

# 1、基本POST实例

import requests

payload = {'key1': 'value1', 'key2': 'value2'}

ret = requests.post("http://httpbin.org/post", data=payload)

print ret.text

# 2、发送请求头和数据实例

import requests

import json

url = 'https://api.github.com/some/endpoint'

payload = {'some': 'data'}

headers = {'content-type': 'application/json'}

ret = requests.post(url, data=json.dumps(payload), headers=headers)

print ret.text

print ret.cookies

3、其他请求

requests.get(url, params=None, **kwargs)

requests.post(url, data=None, json=None, **kwargs)

requests.put(url, data=None, **kwargs)

requests.head(url, **kwargs)

requests.delete(url, **kwargs)

requests.patch(url, data=None, **kwargs)

requests.options(url, **kwargs)

# 以上方法均是在此方法的基础上构建

requests.request(method, url, **kwargs)

requests模块已经将常用的Http请求方法为用户封装完成，用户直接调用其提供的相应方法即可，其中方法的所有参数有：

更多参数

def request(method, url, **kwargs):

    """Constructs and sends a :class:`Request <Request>`.

    :param method: method for the new :class:`Request` object.

    :param url: URL for the new :class:`Request` object.

    :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.

    :param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.

    :param json: (optional) json data to send in the body of the :class:`Request`.

    :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.

    :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.

    :param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': ('filename', fileobj)}``) for multipart encoding upload.

    :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.

    :param timeout: (optional) How long to wait for the server to send data

        before giving up, as a float, or a :ref:`(connect timeout, read

        timeout) <timeouts>` tuple.

    :type timeout: float or tuple

    :param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.

    :type allow_redirects: bool

    :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.

    :param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.

    :param stream: (optional) if ``False``, the response content will be immediately downloaded.

    :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.

    :return: :class:`Response <Response>` object

    :rtype: requests.Response

    Usage::

      >>> import requests

      >>> req = requests.request('GET', 'http://httpbin.org/get')

      <Response [200]>

    """

    # By using the 'with' statement we are sure the session is closed, thus we

    # avoid leaving sockets open which can trigger a ResourceWarning in some

    # cases, and look like a memory leak in others.

    with sessions.Session() as session:

        return session.request(method=method, url=url, **kwargs)

更多requests模块相关的文档见：http://cn.python-requests.org/zh_CN/latest/

自动登录抽屉并点赞

### 1、首先登陆任何页面，获取cookie

i1 = requests.get(url= "http://dig.chouti.com/help/service")

### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权

i2 = requests.post(

    url= "http://dig.chouti.com/login",

    data= {

        'phone': "86手机号",

        'password': "密码",

        'oneMonth': ""

    },

    cookies = i1.cookies.get_dict()

)

### 3、点赞（只需要携带已经被授权的gpsd即可）

gpsd = i1.cookies.get_dict()['gpsd']

i3 = requests.post(

    url="http://dig.chouti.com/link/vote?linksId=8589523",

    cookies={'gpsd': gpsd}

)

print(i3.text)

“破解”微信公众号

“破解”微信公众号其实就是使用Python代码自动实现【登陆公众号】->【获取观众用户】-> 【向关注用户发送消息】。

注：只能向48小时内有互动的粉丝主动推送消息

a、自动登录

爬虫的入门以及scrapy

分析对于Web登陆页面，用户登陆验证时仅做了如下操作：

登陆的URL：https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN
POST的数据为：
{
'username': 用户名,
'pwd': 密码的MD5值,
'imgcode': "",
'f': 'json'
}
注：imgcode是需要提供的验证码，默认无需验证码，只有在多次登陆未成功时，才需要用户提供验证码才能登陆
POST的请求头的Referer值，微信后台用次来检查是谁发送来的请求
请求发送并登陆成功后，获取用户响应的cookie，以后操作其他页面时需要携带此cookie
请求发送并登陆成功后，获取用户相应的内容中的token

登录代码

# -*- coding:utf-8 -*-

import requests

import time

import hashlib

def _password(pwd):

    ha = hashlib.md5()

    ha.update(pwd)

    return ha.hexdigest()

def login():

    login_dict = {

        'username': "用户名",

        'pwd': _password("密码"),

        'imgcode': "",

        'f': 'json'

    }

    login_res = requests.post(

        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",

        data=login_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})

    # 登陆成功之后获取服务器响应的cookie

    resp_cookies_dict = login_res.cookies.get_dict()

    # 登陆成功后，获取服务器响应的内容

    resp_text = login_res.text

    # 登陆成功后，获取token

    token = re.findall(".*token=(\d+)", resp_text)[0]

    print resp_text

    print token

    print resp_cookies_dict

login()

登陆成功获取的相应内容如下：

响应内容：

{"base_resp":{"ret":0,"err_msg":"ok"},"redirect_url":"\/cgi-bin\/home?t=home\/index&lang=zh_CN&token=537908795"}

响应cookie：

{'data_bizuin': '', 'bizuin': '', 'data_ticket': 'CaoX+QA0ZA9LRZ4YM3zZkvedyCY8mZi0XlLonPwvBGkX0/jY/FZgmGTq6xGuQk4H', 'slave_user': 'gh_5abeaed48d10', 'slave_sid': 'elNLbU1TZHRPWDNXSWdNc2FjckUxalM0Y000amtTamlJOUliSnRnWGRCdjFseV9uQkl5cUpHYkxqaGJNcERtYnM2WjdFT1pQckNwMFNfUW5fUzVZZnFlWGpSRFlVRF9obThtZlBwYnRIVGt6cnNGbUJsNTNIdTlIc2JJU29QM2FPaHZjcTcya0F6UWRhQkhO'}

b、访问其他页面获取用户信息

分析用户管理页面，通过Pyhton代码以Get方式访问此页面，分析响应到的 HTML 代码，从中获取用户信息：

获取用户的URL：https://mp.weixin.qq.com/cgi-bin/user_tag?action=get_all_data&lang=zh_CN&token=登陆时获取的token
发送GET请求时，需要携带登陆成功后获取的cookie

{'data_bizuin': '', 'bizuin': '', 'data_ticket': 'C4YM3zZ...

获取当前请求的响应的html代码
通过正则表达式获取html中的指定内容（Python的模块Beautiful Soup）
获取html中每个用户的 data-fakeid属性，该值是用户的唯一标识，通过它可向用户推送消息

代码实现

# -*- coding:utf-8 -*-

import requests

import time

import hashlib

import json

import re

LOGIN_COOKIES_DICT = {}

def _password(pwd):

    ha = hashlib.md5()

    ha.update(pwd)

    return ha.hexdigest()

def login():

    login_dict = {

        'username': "用户名",

        'pwd': _password("密码"),

        'imgcode': "",

        'f': 'json'

    }

    login_res = requests.post(

        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",

        data=login_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})

    # 登陆成功之后获取服务器响应的cookie

    resp_cookies_dict = login_res.cookies.get_dict()

    # 登陆成功后，获取服务器响应的内容

    resp_text = login_res.text

    # 登陆成功后，获取token

    token = re.findall(".*token=(\d+)", resp_text)[0]

    return {'token': token, 'cookies': resp_cookies_dict}

def standard_user_list(content):

    content = re.sub('\s*', '', content)

    content = re.sub('\n*', '', content)

    data = re.findall("""cgiData=(.*);seajs""", content)[0]

    data = data.strip()

    while True:

        temp = re.split('({)(\w+)(:)', data, 1)

        if len(temp) == 5:

            temp[2] = '"' + temp[2] + '"'

            data = ''.join(temp)

        else:

            break

    while True:

        temp = re.split('(,)(\w+)(:)', data, 1)

        if len(temp) == 5:

            temp[2] = '"' + temp[2] + '"'

            data = ''.join(temp)

        else:

            break

    data = re.sub('\*\d+', "", data)

    ret = json.loads(data)

    return ret

def get_user_list():

    login_dict = login()

    LOGIN_COOKIES_DICT.update(login_dict)

    login_cookie_dict = login_dict['cookies']

    res_user_list = requests.get(

        url= "https://mp.weixin.qq.com/cgi-bin/user_tag",

        params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},

        cookies = login_cookie_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}

    )

    user_info = standard_user_list(res_user_list.text)

    for item in user_info['user_list']:

        print "%s %s " % (item['nick_name'],item['id'],)

get_user_list()

c、发送消息

分析给用户发送消息的页面，从网络请求中剖析得到发送消息的URL，从而使用Python代码发送消息：

发送消息的URL：https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=登陆时获取的token放在此处&lang=zh_CN
从登陆时相应的内容中获取：token和cookie
从用户列表中获取某个用户唯一标识： fake_id
封装消息，并发送POST请求

send_dict = {

    'token': 登陆时获取的token,

    'lang': "zh_CN",

    'f': 'json',

    'ajax': 1,

    'random': "0.5322618900912392",

    'type': 1,

    'content': 要发送的内容,

    'tofakeid': 用户列表中获取的用户的ID,

    'imgcode': ''

}

发送消息代码

# -*- coding:utf-8 -*-

import requests

import time

import hashlib

import json

import re

LOGIN_COOKIES_DICT = {}

def _password(pwd):

    ha = hashlib.md5()

    ha.update(pwd)

    return ha.hexdigest()

def login():

    login_dict = {

        'username': "用户名",

        'pwd': _password("密码"),

        'imgcode': "",

        'f': 'json'

    }

    login_res = requests.post(

        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",

        data=login_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})

    # 登陆成功之后获取服务器响应的cookie

    resp_cookies_dict = login_res.cookies.get_dict()

    # 登陆成功后，获取服务器响应的内容

    resp_text = login_res.text

    # 登陆成功后，获取token

    token = re.findall(".*token=(\d+)", resp_text)[0]

    return {'token': token, 'cookies': resp_cookies_dict}

def standard_user_list(content):

    content = re.sub('\s*', '', content)

    content = re.sub('\n*', '', content)

    data = re.findall("""cgiData=(.*);seajs""", content)[0]

    data = data.strip()

    while True:

        temp = re.split('({)(\w+)(:)', data, 1)

        if len(temp) == 5:

            temp[2] = '"' + temp[2] + '"'

            data = ''.join(temp)

        else:

            break

    while True:

        temp = re.split('(,)(\w+)(:)', data, 1)

        if len(temp) == 5:

            temp[2] = '"' + temp[2] + '"'

            data = ''.join(temp)

        else:

            break

    data = re.sub('\*\d+', "", data)

    ret = json.loads(data)

    return ret

def get_user_list():

    login_dict = login()

    LOGIN_COOKIES_DICT.update(login_dict)

    login_cookie_dict = login_dict['cookies']

    res_user_list = requests.get(

        url= "https://mp.weixin.qq.com/cgi-bin/user_tag",

        params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},

        cookies = login_cookie_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}

    )

    user_info = standard_user_list(res_user_list.text)

    for item in user_info['user_list']:

        print "%s %s " % (item['nick_name'],item['id'],)

def send_msg(user_fake_id, content='啥也没发'):

    login_dict = LOGIN_COOKIES_DICT

    token = login_dict['token']

    login_cookie_dict = login_dict['cookies']

    send_dict = {

        'token': token,

        'lang': "zh_CN",

        'f': 'json',

        'ajax': 1,

        'random': "0.5322618900912392",

        'type': 1,

        'content': content,

        'tofakeid': user_fake_id,

        'imgcode': ''

    }

    send_url = "https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=%s&lang=zh_CN" % (token,)

    message_list = requests.post(

        url=send_url,

        data=send_dict,

        cookies=login_cookie_dict,

        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}

    )

get_user_list()

fake_id = raw_input('请输入用户ID:')

content = raw_input('请输入消息内容:')

send_msg(fake_id, content)

以上就是“破解”微信公众号的整个过程，通过Python代码实现了自动【登陆微信公众号平台】【获取用户列表】【指定用户发送消息】。

三、scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

1、安装

pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/或者https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/

2、基本使用

创建项目

运行命令:

scrapy startproject your_project_name

自动创建目录：

roject_name/

   scrapy.cfg

   project_name/

       __init__.py

       items.py

       pipelines.py

       settings.py

       spiders/

           __init__.py

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "xiaohuar"

    allowed_domains = ["xiaohuar.com"]

    start_urls = [

        "http://www.xiaohuar.com/hua/",

    ]

    def parse(self, response):

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

        current_url = response.url

        body = response.body

        unicode_body = response.body_as_unicode()

编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

、运行

进入project_name目录，运行命令

scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

import re

import urllib

import os

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "xiaohuar"

    allowed_domains = ["xiaohuar.com"]

    start_urls = [

        "http://www.xiaohuar.com/list-1-1.html",

    ]

    def parse(self, response):

        # 分析页面

        # 找到页面中符合规则的内容（校花图片），保存

        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去

        hxs = HtmlXPathSelector(response)

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html

        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):

            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')

            for i in range(len(items)):

                src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()

                name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()

                school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()

                if src:

                    ab_src = "http://www.xiaohuar.com" + src[0]

                    file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))

                    file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)

                    urllib.urlretrieve(ab_src, file_path)

        # 获取所有的url，继续访问，并在其中寻找相同的url

        all_urls = hxs.select('//a/@href').extract()

        for url in all_urls:

            if url.startswith('http://www.xiaohuar.com/list-1-'):

                yield Request(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

正则选择器

from scrapy.selector import Selector

from scrapy.http import HtmlResponse

html = """<!DOCTYPE html>

<html>

<head lang="en">

    <meta charset="UTF-8">

    <title></title>

</head>

<body>

    <li class="item-"><a href="link.html">first item</a></li>

    <li class="item-0"><a href="link1.html">first item</a></li>

    <li class="item-1"><a href="link2.html">second item</a></li>

</body>

</html>

"""

response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')

ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()

print(ret)

选择器规则代码

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

import hashlib

from tutorial.items import JinLuoSiItem

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

class JinLuoSiSpider(scrapy.spiders.Spider):

    count = 0

    url_set = set()

    name = "jluosi"

    domain = 'http://www.jluosi.com'

    allowed_domains = ["jluosi.com"]

    start_urls = [

        "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",

    ]

    def parse(self, response):

        md5_obj = hashlib.md5()

        md5_obj.update(response.url)

        md5_url = md5_obj.hexdigest()

        if md5_url in JinLuoSiSpider.url_set:

            pass

        else:

            JinLuoSiSpider.url_set.add(md5_url)

            hxs = HtmlXPathSelector(response)

            if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):

                item = JinLuoSiItem()

                item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()

                item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()

                item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')

                item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()

                item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()

                item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()

                product_list = []

                product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')

                for i in range(2,len(product_tr)):

                    temp = {

                        'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),

                        'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),

                    }

                    product_list.append(temp)

                item['product_list'] = product_list

                yield item

            current_page_urls = hxs.select('//a/@href').extract()

            for i in range(len(current_page_urls)):

                url = current_page_urls[i]

                if url.startswith('http://www.jluosi.com'):

                    url_ab = url

                    yield Request(url_ab, callback=self.parse)

获取cookie

def parse(self, response):

    from scrapy.http.cookies import CookieJar

    cookieJar = CookieJar()

    cookieJar.extract_cookies(response, response.request)

    print(cookieJar._cookies)

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class JieYiCaiItem(scrapy.Item):

    company = scrapy.Field()

    title = scrapy.Field()

    qq = scrapy.Field()

    info = scrapy.Field()

    more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

import hashlib

from beauty.items import JieYiCaiItem

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

from scrapy.spiders import CrawlSpider, Rule

from scrapy.linkextractors import LinkExtractor

class JieYiCaiSpider(scrapy.spiders.Spider):

    count = 0

    url_set = set()

    name = "jieyicai"

    domain = 'http://www.jieyicai.com'

    allowed_domains = ["jieyicai.com"]

    start_urls = [

        "http://www.jieyicai.com",

    ]

    rules = [

        #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)

        #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),

        #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)

        #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),

    ]

    def parse(self, response):

        md5_obj = hashlib.md5()

        md5_obj.update(response.url)

        md5_url = md5_obj.hexdigest()

        if md5_url in JieYiCaiSpider.url_set:

            pass

        else:

            JieYiCaiSpider.url_set.add(md5_url)

            hxs = HtmlXPathSelector(response)

            if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):

                item = JieYiCaiItem()

                item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()

                item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')

                item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()

                item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()

                item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()

                yield item

            current_page_urls = hxs.select('//a/@href').extract()

            for i in range(len(current_page_urls)):

                url = current_page_urls[i]

                if url.startswith('/'):

                    url_ab = JieYiCaiSpider.domain + url

                    yield Request(url_ab, callback=self.parse)

此处代码的关键在于：

将获取的数据封装在了Item对象中
yield Item对象（一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

from twisted.enterprise import adbapi

import MySQLdb.cursors

import re

mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')

phone_re = re.compile(r'(\d+-\d+|\d+)')

class JsonPipeline(object):

    def __init__(self):

        self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')

    def process_item(self, item, spider):

        line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))

        self.file.write(line)

        return item

class DBPipeline(object):

    def __init__(self):

        self.db_pool = adbapi.ConnectionPool('MySQLdb',

                                             db='DbCenter',

                                             user='root',

                                             passwd='',

                                             cursorclass=MySQLdb.cursors.DictCursor,

                                             use_unicode=True)

    def process_item(self, item, spider):

        query = self.db_pool.runInteraction(self._conditional_insert, item)

        query.addErrback(self.handle_error)

        return item

    def _conditional_insert(self, tx, item):

        tx.execute("select nid from company where company = %s", (item['company'][0], ))

        result = tx.fetchone()

        if result:

            pass

        else:

            phone_obj = phone_re.search(item['info'][0].strip())

            phone = phone_obj.group() if phone_obj else ' '

            mobile_obj = mobile_re.search(item['info'][1].strip())

            mobile = mobile_obj.group() if mobile_obj else ' '

            values = (

                item['company'][0],

                item['qq'][0],

                phone,

                mobile,

                item['info'][2].strip(),

                item['more'][0])

            tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)

    def handle_error(self, e):

        print 'error',e

上述中的pipelines中有多个类，到底Scapy会自动执行那个？当然需要先配置了。

在settings.py中做如下配置：

ITEM_PIPELINES = {

    'beauty.pipelines.DBPipeline': 300,

    'beauty.pipelines.JsonPipeline': 100,

}

# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

更多请参见Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

秒客网

爬虫的入门以及scrapy

相关文章