Scrapy框架 进阶

• Scrapy框架基础
• Scrapy框架进阶

【五】持久化存储

• 命令行：json、csv等
• 管道：什么数据类型都可以

【1】命令行简单存储

（1）语法

• Json格式

scrapy crawl 自定义爬虫程序文件名 -o 文件名.json

• CSV格式

scrapy crawl 自定义爬虫程序文件名 -o 文件名.csv -t csv

（2）示例

• 重点是parse函数需要返回保存的数据

# 假设从浏览器拿到了想保存的数据文件
def parse(self, response):items = []for i in range(5):item[f"name{i}"] = f"value{i}"items.append(item)return items    

• 保存为json格式文件

scrapy crawl test -o output.json# output.json
[
{"name0": "value{0}"},
{"name1": "value{1}"},
{"name2": "value{2}"},
{"name3": "value{3}"},
{"name4": "value{4}"}
]

【2】管道存储

• 保存在数据库mysql中
• 保存在本地txt文件中

（1）第一步：从前端处理数据并返回

• 这里假设数据是从response中分析出来的
• 注意item要放在循环中
• 注意item要放在循环中
• 注意item要放在循环中

import scrapy
from ..items import ScrapyTestItemclass TestSpider(scrapy.Spider):name = "test"allowed_domains = ["www.test.com"]start_urls = ["https://www.test.com/"]def parse(self, response):for i in range(5):item = ScrapyTestItem()item['name'] = f"bruce{i}"item['avatar'] = f"avatar img src{i}"item['introduce'] = f"long long introduce{i}"yield item

（2）第一步：创建管道数据模型

• 需要在items.py文件中创建一个类
  • 类似于Django的模型表
  • 这个简单，无论是什么类型字段都是scrapy.Field()

import scrapy
class ScrapyTestItem(scrapy.Item):name = scrapy.Field()avatar = scrapy.Field()introduce = scrapy.Field()

（3）第二步：定义管道数据处理类

• 在Scrapy中，parse 方法返回的数据（无论是Item对象还是其他数据结构）会被Scrapy引擎自动迭代、自动迭代、自动迭代，并逐个传递给Pipeline的process_item方法。

• 需要在pipline.py文件中创建一个类

  • open_spider(self, spider)：
    • 当爬虫开始时，这里会执行一些初始化操作
    • 例如，可以建立数据库连接、打开文件等
    • spider参数不能少
  • close_spider(self, spider)：
    • 当爬虫结束时，这里会执行一些清理操作
    • 例如，可以关闭数据库连接、关闭文件等
    • spider参数不能少
  • process_item：
    • 每次要保存一个对象时，这个方法会被触发
    • 在这里可以对item进行进一步的处理，然后保存到数据库或者文件等

• 创建数据库和表

create database scrapyCREATE TABLE `test` (`id` int(11) NOT NULL AUTO_INCREMENT,`name` varchar(50) DEFAULT NULL,`avatar` varchar(255) DEFAULT NULL,`introduce` text,PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

• 创建数据库处理类

import pymysqlclass ScrapyTestMysqlPipeline:def open_spider(self, spider):self.conn = pymysql.connect(user='root',password='000',host='127.0.0.1',port= 3306,database='scrapy',cursorclass=pymysql.cursors.DictCursor,)self.cursor = self.conn.cursor()def close(self, spider):# 关闭句柄self.cursor.close()# 关闭数据库链接self.conn.close()def process_item(self, item, spider):sql_str = """insert INTOtest(name, avatar, introduce)values(%s, %s, %s);"""self.cursor.execute(sql_str, args=(item.get('name'),item.get('avatar'),item.get('introduce'),))self.conn.commit()return item

• 创建本地文件保存类

class ScrapyTestTxtPipeline:def open_spider(self, spider):self.fp = open('output.txt', 'wt', encoding='utf8')def close_spider(self, spider):self.fp.close()def process_item(self, item, spider):# 已经自动迭代self.fp.write(str(item) + '\n')return item

（4）第四步：配置文件中注册管道类

• Pipline的执行顺序会按照ITEM_PIPELINES字典中的定义顺序执行
  • 数字越小，优先级越高，执行顺序越靠前
  • 建议数字范围0-1000，没有强制规定

ITEM_PIPELINES = {"scrapy_test.pipelines.ScrapyTestMysqlPipeline": 100,"scrapy_test.pipelines.ScrapyTestJsonPipeline": 300,
}

（5）最后：启动项目

• 命令行

scrapy crawl test

• py文件

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'test'])

【六】中间件

【1】爬虫中间件

# 爬虫中间件
class Day06StartSpiderMiddleware:@classmethoddef from_crawler(cls, crawler):# 这是一个类方法，Scrapy使用它来创建爬虫中间件实例。# 这个方法通常用于连接中间件到Scrapy的信号。# 在这个例子中，它将spider_opened方法连接到spider_opened信号。s = cls()crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)return sdef process_spider_input(self, response, spider):# 这个方法在每次响应通过爬虫中间件并进入爬虫时被调用。# 它允许修改响应或执行其他操作。# 如果不想修改响应，可以返回None；# 如果想阻止响应继续传递给爬虫，可以抛出一个异常。return Nonedef process_spider_output(self, response, result, spider):# 这个方法在爬虫处理完响应并返回结果后被调用。# 它允许处理或修改爬虫的输出。# 必须返回一个包含请求或项目对象的可迭代对象。# 在这个例子中，它只是简单地返回了原始结果。for i in result:yield idef process_spider_exception(self, response, exception, spider):# 当爬虫或其他爬虫中间件中的process_spider_input方法抛出异常时，这个方法会被调用。# 它允许处理异常，例如记录错误或生成新的请求。# 可以返回None或包含请求或项目对象的可迭代对象。# 在这个例子中，这个方法没有做任何事情。passdef process_start_requests(self, start_requests, spider):# 这个方法在爬虫的起始请求被发送之前被调用。# 它与process_spider_output方法类似，# 但不同之处在于它不与特定的响应相关联。# 必须只返回请求（而不是项目）。# 在这个例子中，它只是简单地返回了原始的起始请求。# Must return only requests (not items).for r in start_requests:yield rdef spider_opened(self, spider):# 这是一个当爬虫被打开时由Scrapy信号触发的方法。# 在这个例子中，它使用爬虫的日志记录器记录一条信息，说明哪个爬虫被打开了。spider.logger.info("Spider opened: %s" % spider.name)

【2】下载中间件

class ScrapyTestDownloaderMiddleware:# Not all methods need to be defined. If a method is not defined,# scrapy acts as if the downloader middleware does not modify the# passed objects.@classmethoddef from_crawler(cls, crawler):# 这个类方法由Scrapy调用，用于创建下载器中间件实例。# 在这个方法中，可以连接中间件到Scrapy的信号，# 例如连接spider_opened信号到spider_opened方法。s = cls()crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)return sdef process_request(self, request, spider):# 当每个请求通过下载器中间件时，这个方法会被调用。# 可以在这个方法中修改请求，或者返回一个新的请求或响应对象。# 如果返回None，则请求会继续被处理。# 如果返回Request对象，Scrapy会停止处理当前的请求，并开始处理新的请求。# 如果返回Response对象，Scrapy将不会发送请求，而是直接将该响应传递给process_response方法。# 如果抛出IgnoreRequest异常，Scrapy将不会发送请求，并且会调用所有已安装的下载器中间件的process_exception方法。f#   installed downloader middleware will be calledreturn Nonedef process_response(self, request, response, spider):# 当下载器返回响应时，这个方法会被调用。# 可以在这里修改响应，或者返回一个新的请求或响应对象。# 如果返回Response对象，该响应将被传递给爬虫。# 如果返回Request对象，Scrapy将停止处理当前的响应，并开始处理新的请求。# 如果抛出IgnoreRequest异常，Scrapy将不会将响应传递给爬虫，并且会调用所有已安装的下载器中间件的process_exception方法。return responsedef process_exception(self, request, exception, spider):# 当下载处理器或process_request方法（来自其他下载器中间件）抛出异常时，这个方法会被调用。# 可以在这里处理异常，例如记录错误、返回一个新的请求或响应对象，或者简单地忽略异常。# 如果返回None，异常会继续被处理。# 如果返回Response或Request对象，Scrapy将停止处理当前的异常，并继续处理返回的响应或请求。passdef spider_opened(self, spider):# 当爬虫被打开时，这个方法会被Scrapy的信号机制调用。# 可以在这里执行一些初始化的工作，或者记录关于哪个爬虫被打开的信息。spider.logger.info("Spider opened: %s" % spider.name)

【3】配置文件中注册

SPIDER_MIDDLEWARES = {"scrapy_test.middlewares.ScrapyTestSpiderMiddleware": 543,
}DOWNLOADER_MIDDLEWARES = {"scrapy_test.middlewares.ScrapyTestDownloaderMiddleware": 543,
}

【4】下载中间件案例–修改请求头

class ScrapyTestDownloaderMiddleware:# 从代理池中获取可用代理@staticmethoddef get_proxy(flag):if flag:res = requests.get('http://代理池地址/get/?type=https').json()return "https://" + res.get('proxy')else:res = requests.get('http://代理池地址/get/').json()return "http://" + res.get('proxy')def process_request(self, request, spider):# 自定义代理，根据request.url判断是https还是httpflag = 'https' in request.urlproxy_url = self.get_proxy(flag)if proxy_url:request.meta['proxy'] = proxy_urlprint(f"Using proxy: {proxy_url}")# 添加指定cookierequest.cookies['name'] = 'value'# 或cookies字符串request.headers['Cookie'] = 'name=value; anothername=anothervalue'# 添加源页面地址request.headers['referer'] = 'https://example.com'# 添加随机UA验证from fake_useragent import UserAgentrequest.headers['User-Agent'] = str(UserAgent().random)return Nonedef process_exception(self, request, exception, spider):# 处理由于代理问题引发的异常print(f'下载中间异常: {exception}')# 这里可以添加逻辑来重试请求或更换代理return None

【八】CrawlSpider

【1】介绍

（1）简介

• CrawlSpider是Spider的一个派生类，它继承自Spider类，并在此基础上增加了新的属性和方法。
• 这意味着CrawlSpider拥有Spider的所有功能和特性，并具备一些额外的独特功能。

（2）作用

• 自动跟踪链接：
  • CrawlSpider能够自动解析页面中的链接，并根据设定的规则跳转到其他页面，以便爬取整个网站的所有页面。
  • 这使得CrawlSpider在处理大型网站或需要深度爬取的场景时非常有效。
• 数据提取规则：
  • CrawlSpider提供了一种方便的方式来定义如何从页面中提取数据。
  • 通过使用基于XPath或CSS选择器的规则，用户可以轻松地提取所需的目标数据。
• 避免重复爬取：
  • CrawlSpider会自动管理已经爬取过的链接，从而避免在爬取过程中重复访问同一个页面。
  • 这有助于减少不必要的网络请求和提高爬取效率。

（3）特别之处

• 规则定义：
  • CrawlSpider通过其特有的属性“rules”来定义爬取规则。
  • 这些规则包括链接提取器（LinkExtractor）和回调函数（callback），它们共同决定了如何提取和处理页面上的链接。
  • 这使得CrawlSpider在处理具有特定结构和链接模式的网站时更加灵活和高效。
• 链接提取器：
  • CrawlSpider中的链接提取器（LinkExtractor）是其特别之处之一。
  • 这个提取器可以自动从页面中识别并提取出符合特定模式的链接，从而极大地简化了链接提取的过程。
  • 这使得CrawlSpider在处理大型、复杂的网站时具有更高的效率和准确性。

【2】使用

• 方法名不建议使用parse，用其他名字

（1）创建CrawlSpider

• 和普通的spider差不多
  • 这里指定使用crawl基础模板

scrapy genspider -t crawl 自定义爬虫程序文件名 目标地址

（2）使用自定义规则

• Rule(LinkExtractor(allow=r"地址正则表达式"), callback="回调函数", follow=False)
  • LinkExtractor：用于从响应中(response)中自动根据allow的正则表达式提取链接
  • callback：回调函数的字符串
  • follow：是否从匹配到的链接继续递归提取链接，即只是爬取一页中可以看到的链接，还是继续递归爬取
• 可以使用多条规则，rules是个元组或者列表

rules = (# 多页资源匹配，提取分页链接，但不跟进  Rule(LinkExtractor(allow=r"https://www.example.com/p/\d+"), callback="parse_page", follow=False),# 详情页面链接匹配，提取详情链接，也不跟进Rule(LinkExtractor(allow=r"https://www.example.com/\w+/p/\d+"), callback="parse_detail", follow=False),
)

（3）多页数据，方法传递

• yield scrapy.Request(url=detail_url, callback=self.detail_parse, meta={'item': item})
  • 这个是将详情页的url地址携带数据meta发送给callback回调函数
  • url：要爬取的网页内容
  • callback：处理爬取url的响应
  • meta：在请求的生命周期中传递数据

import scrapy  class MySpider(CrawlSpider):  name = 'test'  allowed_domains = ["www.example.com"]start_urls = ['https://example.com']  rules = [Rule(LinkExtractor(allow=r"https://www.example.com/sitehome/p/\d+"), callback="parse_page", follow=False),]def parse_page(self, response):  # 获得每个需要的divdiv_list = response.xpath('')for div in div_list:  # 假设有一个item对象，用于存储数据  item = MyItem()  # 保存这里获得的数据item['title'] = div.xpath('').extract()[0]...  # 获得详情页地址detail_url = div.xpath('/@herf').extract()[0]# 生成Request对象，并传递item通过meta  yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={'item': item})  def parse_detail(self, response):  # 从meta中获取之前传递的item对象  item = response.meta['item']  # 从响应中继续提取信息item['detail'] = response.xpath('h1::text').extract_first()   ...# 返回item，准备交给pipeline处理  yield item

【九】集成selenium

【1】介绍

• scrapy默认使用的是requests模块发送请求
  • 无法执行js
• 所以需要使用selenium模块
• 根据scrapy框架可知
  • 需要修改下载中间件的入口
  • 将需要特殊处理的地址发送给selenium

【2】使用方法

• 假设

  • 正常请求通过scrapy默认requests获取
  • 详情页面需要使用selenium获取

• 如何区分不同的请求

  • 根据不同的地址参数，判断是否使用selenium
  • 根据request.meta[‘is_selenium’]给定的参数进行判断
    • 添加参数：yield Request(url=url, callback=self.detail_parse, meta={'item': item,'is_selenium':True})
    • 获取参数：request.meta.get('is_selenium')

（1）添加自定义的selenium中间件

from scrapy import signalsclass SeleniumMiddleWare:def __init__(self):from selenium import webdriverfrom selenium.webdriver.edge.service import Servicebrowser_path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'msedgedriver.exe')self.browser = webdriver.Edge(service=Service(browser_path), options=self.make_options())self.browser.implicitly_wait(10)@classmethoddef from_crawler(cls, crawler):s = cls()crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)crawler.signals.connect(s.spider_closed, signal=signals.spider_closed)return s@staticmethoddef make_options():from selenium.webdriver.edge.options import Optionsoptions = Options()options.add_argument("window-size=1920x1080")# options.add_argument('--headless')options.add_argument('--disable-gpu')options.add_experimental_option("excludeSwitches", ["enable-automation"])options.add_experimental_option('useAutomationExtension', False)return optionsdef spider_opened(self, spider):spider.logger.info("Browser Opened")# 将浏览器实例绑定到spider上，方便process_request使用spider.browser = self.browserdef spider_closed(self, spider):spider.logger.info("Browser Closed")spider.browser.quit()def process_request(self, request, spider):# 根据标志判断是否使用selenium# if request.meta.get('is_selenium'):# 根据地址区分是否使用seleniumif 'article' not in request.url:spider.logger.info(f"Using Selenium for Url: {request.url}")spider.browser.get(request.url)from scrapy.http.response.html import HtmlResponseresponse = HtmlResponse(url=request.url, body=bytes(spider.browser.page_source, encoding='utf8'))  # 编码可能要调整return response# 使用scrapy默认处理请求return None

（2）注册中间件

• 在配置文件settings中

DOWNLOADER_MIDDLEWARES = {"scrapy_test.middlewares.SeleniumMiddleWare": 555,
}

【十】去重过滤器

• 在scrapy框架中，
  • 为了确保爬取到的数据是唯一的
  • 避免重复爬取相同的页面或数据
• scrapy默认使用了基于Request指纹的去重机制
• 除了默认的去重规则，scrapy还支持自定义去重规则

【1】基于Request指纹的去重

（1）去重核心代码

• 位置：
  1. from scrapy.core.scheduler import Scheduler
  2. def enqueue_request(self, request: Request) -> bool:
  3. def request_seen(self, request: Request) -> bool:
  4. class RFPDupeFilter(BaseDupeFilter):
  5. def request_seen(self, request: Request) -> bool:

self.fingerprints: Set[str] = set()def request_fingerprint(self, request: Request) -> str:return self.fingerprinter.fingerprint(request).hex()    def request_seen(self, request: Request) -> bool:fp = self.request_fingerprint(request)if fp in self.fingerprints:return Trueself.fingerprints.add(fp)if self.file:self.file.write(fp + "\n")return False

• 讲解：
  • 在类中定义了一个实例变量fingerprints
    • 是一个集合，集合具有去重的功能
    • 用于存储已经发送过的request指纹
  • 在类中定义了一个方法request_fingerprint
    • 使用fingerprinter对象的fingerprint方法，对request进行计算
    • 计算指纹，并将指纹转换为十六进制的字符串
  • 在类中定义了方法request_seen
    1. 首先计算request的指纹
    2. 判断指纹是否在访问过的集合中
       • 为真，那么久说明是已经访问过
    3. 添加这个请求的指纹到指纹集合中
    4. 检查self.file是否存在（打开的文件句柄，用于持久化存储指纹）
       1. 存在就将指纹写入这个文件，并换行
       2. 最终返回False，说明是一个新的request

（2）测试指纹

• 我们对两个相同请求结果但是不同url进行测试

• 例如：

  • https://www.example.com?keys=154623&value=qbz
    

  • https://www.example.com?value=qbz&keys=154623
    

  • 这两个的地址虽然不同，传递给后端的结果却相同

  • 所以这两个的指纹应该是一样的

• 示例

from scrapy.utils.request import RequestFingerprinter
from scrapy import Requestfinger_printer = RequestFingerprinter()
request1 = Request(url="https://www.example.com?value=qbz&keys=154623")
request2 = Request(url="https://www.example.com?keys=154623&value=qbz")res1 = finger_printer.fingerprint(request1).hex()
res2 = finger_printer.fingerprint(request2).hex()
print(res2 == res1)
# True

【2】自定义过滤器

（1）布隆过滤器（Bloom Filter）

• 优点：
  • 空间效率高：
    • 使用位数组存储信息
    • 比传统的哈希表或集合数据结构更小
  • 时间效率高：
    • 查找元素，通过几次简单的位运算
  • 适用于大规模数据：
    • 高空间和时间效率，所以适用于处理大规模数据
  • 支持集合运算：
    • 支持并集、交集等集合运算
    • 这使得它在某些场景下非常有用
  • 具有一定容错能力：
    • 布隆过滤器是概率型数据结构，即存在哈希冲突
    • 但误报率可以通过调整参数进行控制
• 原理：
  • 布隆过滤器主要由一个位数组和k个哈希函数组成。
  • 当需要插入一个元素时，该元素会被k个哈希函数映射到位数组的k个不同位置，并将这些位置上的位设置为1。
  • 当需要查询一个元素是否存在于集合中时，同样使用这k个哈希函数找到对应的位，并检查这些位是否都为1。
    • 如果都为1，则认为该元素可能存在于集合中；如果有任何一个位为0，则确定该元素不在集合中。

（2）简单使用布隆过滤器

• 首先安装模块

pip install pybloom_live

• 使用示例

from pybloom_live import ScalableBloomFilter, BloomFilter# 创建一个可扩容的布隆过滤器
# initial_capacity容量
# error_rate错误率
bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001, mode=ScalableBloomFilter.LARGE_SET_GROWTH)# 添加元素
url1 = "https://www.example.com?keys=154623&value=qbz"
url2 = "https://www.example.com?value=qbz&keys=154623"
bloom.add(url1)
bloom.add(url2)# 检测结果
print(len(bloom))  # 2
print(url1 in bloom)  # True
print(url2 in bloom)  # True

• 错误率测试

from pybloom_live import ScalableBloomFilterbloom = ScalableBloomFilter(initial_capacity=1000, error_rate=0.01)for i in range(100000):data = f'example{i}'bloom.add(data)false_list = []
for i in range(1000):data = f'exist{i}'if bloom.__contains__(data):false_list.append(data)print(false_list)
print(f"错误率:>>>{len(false_list)/100}%")
# ['exist29', 'exist49', 'exist53', 'exist118', 'exist144', 'exist196', 'exist215', 'exist219', 'exist235', 'exist259', 'exist293', 'exist331', 'exist339', 'exist377', 'exist404', 'exist421', 'exist451', 'exist494', 'exist551', 'exist615', 'exist665', 'exist750', 'exist760', 'exist821', 'exist831', 'exist832', 'exist983']
# 错误率:>>>0.27%

（3）scrapy自定义过滤器（没有关闭默认的）

• 创建布隆过滤器中间件

from scrapy import signals
from pybloom_live import ScalableBloomFilter
from scrapy.exceptions import IgnoreRequest
import hashlibclass BloomFilterMiddleware:def __init__(self, crawler):self.crawler = crawler# 从Scrapy设置中读取布隆过滤器的配置self.initial_capacity = crawler.settings.getint('BLOOM_FILTER_INITIAL_CAPACITY', 100000)self.error_rate = crawler.settings.getfloat('BLOOM_FILTER_ERROR_RATE', 0.001)# 初始化布隆过滤器self.bloom_filter = ScalableBloomFilter(initial_capacity=self.initial_capacity, error_rate=self.error_rate)@classmethoddef from_crawler(cls, crawler):s = cls(crawler)# 连接信号crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)crawler.signals.connect(s.spider_closed, signal=signals.spider_closed)crawler.signals.connect(s.process_request, signal=signals.request_scheduled)return sdef spider_opened(self, spider):# 可以在这里加载之前保存的布隆过滤器状态（如果需要的话）passdef spider_closed(self, spider):# 可以在这里保存布隆过滤器的当前状态（如果需要的话）passdef process_request(self, request, spider):# 对URL进行哈希处理url_hash = hashlib.sha256(request.url.encode()).hexdigest()# 检查URL是否已经在布隆过滤器中if url_hash in self.bloom_filter:# 如果可能在布隆过滤器中，则忽略请求raise IgnoreRequest("URL already processed")def process_response(self, request, response, spider):# 检查响应是否成功if response.status == 200:# 对URL进行哈希处理url_hash = hashlib.sha256(request.url.encode()).hexdigest()# 将URL添加到布隆过滤器中self.bloom_filter.add(url_hash)return response

• 在配置文件中注册

# 添加自定义中间件
MIDDLEWARES = {'your_project_name.middlewares.BloomFilterMiddleware': 542,
}# 布隆过滤器设置
BLOOM_FILTER_INITIAL_CAPACITY = 10000  # 根据你的需求设置容量
BLOOM_FILTER_ERROR_RATE = 0.01  # 设置误报率