scrapy中间件
scrapy中间件分为两种: 一种是:下载器和引擎之间的下载器中间件 作用: 处于引擎和下载器之间,此中间件可以拦截整个工程中发起的请求和响应数据 另一种是: 爬虫程序跟引擎之间的下载器中间件拦截请求干什么? 代理ip : request.meta['proxy'] = 'http://ip:port' UA伪装 : request.headers['User-Agent'] = 'xxxxxx'拦截响应干什么? 篡改响应数据 (基本上不会对响应数据进行修改) 更换响应对象 (基本上就是用来更改代理ip) 在scrapy中使用selenium 在爬虫类中定义一个bro属性(selenium实例化的一个浏览器对象) 在爬虫类中重写一个closed(self,spider),在该方法中关闭浏览器对象 在中间件的process_response中通过spider参数爬取爬虫类中的bro属性 在中间件中编写浏览器自动化操作获取页面源码数据 将页面源码数据作为新响应对象的响应数据 将新的响应对象返回
基于crawlSpider的全站数据爬取
crawlSpider和Spider之间的关联 crawlSpider是Spider的一个子类创建一个基于crawlSpider的爬虫文件 scrapy genspider -t crawl pcpro www.xxx.com
实例代码:
爬虫文件代码:
import scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom sunShinePro.items import SunshineproItem,sunConetent# http://wz.sun0769.com/index.php/question/questionType?type=4&page=30class SunSpider(CrawlSpider): name = 'sun' # allowed_domains = ['www.xxx.com'] start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page='] #链接提取器 #作用:根据 指定的规则(allow:正则) 提取页面源码中指定的连接 link = LinkExtractor(allow=r'type=4&page=\d+') link_detail = LinkExtractor(allow='question/\d+/\d+\.shtml') rules = ( #规则解析器:将连接提取器提取到的连接对应的页面源码数据 根据指定规则(callback) 进行数据解析 Rule(link, callback='parse_item', follow=False), Rule(link_detail, callback='parse_detail'), ) def parse_detail(self,response): content = response.xpath('/html/body/div[9]/table[2]//tr[1]/td/div[2]//text()').extract() content = ''.join(content) item = sunConetent() item['content'] = content yield item def parse_item(self, response): #注意:如果xpath定位的标签中存在tbody,则需要跳过tbody tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr') for tr in tr_list: title = tr.xpath('./td[2]/a[2]/text()').extract_first() status = tr.xpath('./td[3]/span/text()').extract_first() item = SunshineproItem() item['title'] = title item['status'] = status yield item
pipelines.py中
class SunshineproPipeline(object): def process_item(self, item, spider): if item.__class__.__name__ == 'SunshineproItem': print(item['title'], item['status']) else: print(item['content']) return item
记得要在settings.py中打开管道
spider和selenium一起使用
实例代码:
爬虫文件代码.py
import scrapyfrom selenium import webdriverclass WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.com'] start_urls = ['https://news.163.com/world/'] #实例化一个浏览器对象 bro = webdriver.Chrome(executable_path=r'C:\Users\old-boy\Desktop\爬虫\day05爬虫\chromedriver.exe') def parse(self, response): div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div') for div in div_list: title = div.xpath('.//div[@class="news_title"]//a/text()').extract_first() detail_url = div.xpath('.//div[@class="news_title"]//a/@href').extract_first() yield scrapy.Request(detail_url,self.parse_detail) print(title,detail_url) def parse_detail(self,response): content = response.xpath('//*[@id="endText"]//text()').extract() content = ''.join(content) print(content) def closed(self,spider): self.bro.quit()
middlewares.py中
class WangyiproDownloaderMiddleware(object): #spider表示的就是爬虫类实例化的对象 def process_response(self, request, response, spider): #将不符合需求的响应对象修改成符合需求的 #body:响应数据 #如何获取爬虫类中生成的浏览器对象呢? if request.url == 'https://news.163.com/world/': bro = spider.bro bro.get('https://news.163.com/world/') sleep(2) #滚动条滚动到最底部 bro.excute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.excute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.excute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) page_text = bro.page_source new_response = HtmlResponse(url=bro.current_url,body=page_text,encoding='utf-8',request=request) return new_response else: return response #一定要返回原始数据,否则只能获取到一部分内容
在settings.py中我们要配置以下参数:
#下载器和引擎之间的中间件 DOWNLOADER_MIDDLEWARES = { 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,}