爬虫入门基础-Scrapy框架的Spalsh渲染要点

laical · · 491 次点击 · 开始浏览    置顶
这是一个创建于 的主题,其中的信息可能已经有所发展或是发生改变。

我们可以把互联网比作一张大网,而爬虫(即网络爬虫)便是在网上爬行的蜘蛛。把网的节点比作一个个网页,爬虫爬到这就相当于访问了该页面,获取了其信息。可以把节点间的连线比作网页与网页之间的链接关系,这样蜘蛛通过一个节点后,可以顺着节点连线继续爬行到达下一个节点,即通过一个网页继续获取后续的网页,这样整个网的节点便可以被蜘蛛全部爬行到,网站的数据就可以被抓取下来了。 1. 爬虫概述 简单来说,爬虫就是获取网页并提取和保存信息的自动化程序,下面概要介绍一下。 (1) 获取网页 爬虫首先要做的工作就是获取网页,这里就是获取网页的源代码。源代码里包含了网页的部分有用信息,所以只要把源代码获取下来,就可以从中提取想要的信息了。 前面讲了请求和响应的概念,向网站的服务器发送一个请求,返回的响应体便是网页源代码。所以,最关键的部分就是构造一个请求并发送给服务器,然后接收到响应并将其解析出来,那么这个流程怎样实现呢?总不能手工去截取网页源码吧? 不用担心,Python提供了许多库来帮助我们实现这个操作,如urllib、requests等。我们可以用这些库来帮助我们实现HTTP请求操作,请求和响应都可以用类库提供的数据结构来表示,得到响应之后只需要解析数据结构中的Body部分即可,即得到网页的源代码,这样我们可以用程序来实现获取网页的过程了。 (2) 提取信息 获取网页源代码后,接下来就是分析网页源代码,从中提取我们想要的数据。首先,最通用的方法便是采用正则表达式提取,这是一个万能的方法,但是在构造正则表达式时比较复杂且容易出错。 另外,由于网页的结构有一定的规则,所以还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库,如Beautiful Soup、pyquery、lxml等。使用这些库,我们可以高效快速地从中提取网页信息,如节点的属性、文本值等。 提取信息是爬虫非常重要的部分,它可以使杂乱的数据变得条理清晰,以便我们后续处理和分析数据。 (3) 保存数据 提取信息后,我们一般会将提取到的数据保存到某处以便后续使用。这里保存形式有多种多样,如可以简单保存为TXT文本或JSON文本,也可以保存到数据库,如MySQL和MongoDB等,也可保存至远程服务器,如借助SFTP进行操作等。 (4) 自动化程序 说到自动化程序,意思是说爬虫可以代替人来完成这些操作。首先,我们手工当然可以提取这些信息,但是当量特别大或者想快速获取大量数据的话,肯定还是要借助程序。爬虫就是代替我们来完成这份爬取工作的自动化程序,它可以在抓取过程中进行各种异常处理、错误重试等操作,确保爬取持续高效地运行。 2. 能抓怎样的数据 在网页中我们能看到各种各样的信息,最常见的便是常规网页,它们对应着HTML代码,而最常抓取的便是HTML源代码。 另外,可能有些网页返回的不是HTML代码,而是一个JSON字符串(其中API接口大多采用这样的形式),这种格式的数据方便传输和解析,它们同样可以抓取,而且数据提取更加方便。 此外,我们还可以看到各种二进制数据,如图片、视频和音频等。利用爬虫,我们可以将这些二进制数据抓取下来,然后保存成对应的文件名。 另外,还可以看到各种扩展名的文件,如CSS、JavaScript和配置文件等,这些其实也是最普通的文件,只要在浏览器里面可以访问到,就可以将其抓取下来。 上述内容其实都对应各自的URL,是基于HTTP或HTTPS协议的,只要是这种数据,爬虫都可以抓取。 3. Scrapy框架之Spalsh渲染 原理说明: 基于spalsh渲染后HTML,通过配置文件解析,入库。 提高了效率,一天可以写几十个配置dict,即完成几十个网站爬虫的编写。 4. 配置文件说明: { "industry_type": "政策", # 行业类别 "website_type": "央行", # 网站/微信公众号名称 "url_type": "中国人民银行-条法司-规范性文件", # 网站模块 "link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html", # 访问链接 "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]', # 提取文章列表xpath对象 "title_xpath": "./a", # 提取标题 "title_parse": "./@title", # 提取标题 "title_link_xpath": "./a/@href", # 提取标题链接 "date_re_switch": "False", # 是否使用正则提取日期时间 "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./following-sibling::span[1]", # 提取日期时间 "date_parse": "./text()", # 提取日期时间 "content": '//*[@class="content"]', # 正文HTML xpath "prefix": "http://www.pbc.gov.cn/", # link前缀 "config": "{'use_selenium':'False'}" # 其他配置:是否使用selenium(默认使用spalsh) }, 完整代码参考 # -*- coding: utf-8 -*- ''' 需求列表:使用任何资讯网站的抓取 央行: http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html 公安部: https://www.mps.gov.cn/n2254314/n2254487/ https://www.mps.gov.cn/n2253534/n2253535/index.html http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/ ''' from risk_control_info.items import BIgFinanceNews import dateparser from w3lib.url import canonicalize_url from urllib.parse import urljoin import scrapy from scrapy_splash import SplashRequest from risk_control_info.utils import make_md5, generate_text, clean_string import re script = """ function main(splash, args) splash.images_enabled = false splash:set_user_agent("{ua}") assert(splash:go(args.url)) assert(splash:wait(args.wait)) return splash:html() end""".format( ua="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36") class BigFinanceAllGovSpider(scrapy.Spider): name = 'big_finance_all_gov' custom_settings = { 'RANDOMIZE_DOWNLOAD_DELAY': True, 'DOWNLOAD_DELAY': 60 / 360.0, 'CONCURRENT_REQUESTS_PER_IP': 8, 'DOWNLOADER_MIDDLEWARES': { 'scrapy_splash.SplashCookiesMiddleware': 723, 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, # 'risk_control_info.middlewares.SplashProxyMiddleware': 843, # 代理ip,此方法没成功 'risk_control_info.middlewares.RandomUserAgentMiddleware': 843, 'risk_control_info.middlewares.SeleniumMiddleware': 844 }, # 入库 'ITEM_PIPELINES': { 'risk_control_info.pipelines.RiskControlInfoPipeline': 401, 'risk_control_info.pipelines.MysqlPipeline': 402, }, 'SPIDER_MIDDLEWARES': { 'risk_control_info.middlewares.RiskControlInfoSpiderMiddleware': 543, 'scrapy_splash.SplashDeduplicateArgsMiddleware': 100, }, } def __init__(self, **kwargs): super().__init__() self.env = kwargs.get('env', 'online') def start_requests(self): for target in self.target_info(): if target.get('title_xpath') and target.get('title_link_xpath') \ and target.get('date_xpath') and target.get('article_rows_xpath'): self.logger.info(f"目标网站可配置爬虫信息:{target}") # 使用selenium if target.get("config") and eval(eval(target.get("config")).get('use_selenium')): self.logger.info(f"使用 Selenium 请求 {target['link']}") yield scrapy.Request(url=target['link'], meta={ "target": target, "use_selenium": True }, callback=self.parse, ) else: # 默认使用 Splash self.logger.info(f"使用 Splash 请求 {target['link']}") yield SplashRequest(url=target['link'], meta={"target": target}, callback=self.parse, # endpoint='execute', # args={ # 'lua_source': script, # 'wait': 8}, endpoint='render.json', args={ # 'lua_source': script, # 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}", 'wait': 10, 'html': 1, 'png': 1 }, ) def parse(self, response): target = response.meta['target'] article_rows = response.xpath(target['article_rows_xpath']) # 遍历所有文字列表 for article_row in article_rows: item = BIgFinanceNews() # 处理标题 _article_row = article_row.xpath(target['title_xpath']) # 定位标题 item['title'] = clean_string( generate_text(_article_row.xpath(target['title_parse']).extract_first().strip())) # 解析标题 # 处理链接 if target.get('prefix'): item['title_link'] = urljoin(target['prefix'], article_row.xpath( target['title_link_xpath']).extract_first()) else: item['title_link'] = article_row.xpath(target['title_link_xpath']).extract_first() # 处理发布日期 # 日期顺序规则 date_order = "YMD" _title_time = article_row.xpath(target['date_xpath']) # 定位:发布时间 _date_str = clean_string( generate_text(_title_time.xpath(target['date_parse']).extract_first())) # 解析:发布时间 if not eval(target.get('date_re_switch')): item['title_time'] = dateparser.parse(_date_str, settings={'DATE_ORDER': date_order}).strftime( "%Y-%m-%d") else: # 使用正则提取时间字符串,存在默认正则表达式 date_re_expression = target.get('date_re_expression', None) _expression = date_re_expression or r"(20\d{2}[-/]?\d{2}[-/]?\d{2})" results = re.findall(r"%s" % _expression, _date_str, re.S) self.logger.info(f"_date_str:{_date_str},results:{results} ") if results: item['title_time'] = dateparser.parse(results[0], settings={'DATE_ORDER': date_order}).strftime( "%Y-%m-%d") else: item['title_time'] = None # 以下写死的 item['bi_channel'] = "gov" item['industry_type'] = f"{target['industry_type']}" item['website_type'] = f"{target['website_type']}" item['url_type'] = f"{target['url_type']}" item['title_hour'] = 0 # 原网站没有发布时间,0代替 item['source_type'] = 0 # 数据来源,0 网站web, 1 微信公众号 item['redis_duplicate_key'] = make_md5(item['title'] + canonicalize_url(item['title_link'])) # 请求详情页 # 使用selenium if target.get("config") and eval(eval(target.get("config")).get('use_selenium')): self.logger.info(f"使用 Selenium 请求 {item['title_link']}") yield scrapy.Request(url=item['title_link'], meta={ "target": target, "use_selenium": True, "item": item }, callback=self.parse_detail, ) else: # 使用 Splash self.logger.info(f"使用 Splash 请求 {item['title_link']}") yield SplashRequest(url=item['title_link'], meta={ "target": target, "item": item }, callback=self.parse_detail, # endpoint='execute', # args={ # 'lua_source': script, # 'wait': 8}, endpoint='render.json', args={ # 'lua_source': script, # 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}", 'wait': 20, 'html': 1, 'png': 1 }, ) def parse_detail(self, response): self.logger.info(f"处理详情页 {response.url}") item = response.meta['item'] target = response.meta['target'] print(response.xpath(target['content'])) if response.xpath(target['content']): item['content'] = generate_text(response.xpath(target['content']).extract_first()) else: item['content'] = "" yield item @staticmethod def target_info(): ''' 返回目标网站信息 ''' target_list = [ { "industry_type": "政策", # 行业类别 "website_type": "央行", # 网站/微信公众号名称 "url_type": "中国人民银行-条法司-规范性文件", # 网站模块 "link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html", # 访问链接 "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]', # 提取文章列表xpath对象 "title_xpath": "./a", # 提取标题 "title_parse": "./@title", # 提取标题 "title_link_xpath": "./a/@href", # 提取标题链接 "date_re_switch": "False", # 是否使用正则提取日期时间 "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./following-sibling::span[1]", # 提取日期时间 "date_parse": "./text()", # 提取日期时间 "content": '//*[@class="content"]', # 正文HTML xpath "prefix": "http://www.pbc.gov.cn/", # link前缀 "config": "{'use_selenium':'False'}" # 其他配置:是否使用selenium(默认使用spalsh) }, { "industry_type": "政策", # 行业类别 "website_type": "央行", # 网站/微信公众号名称 "url_type": "中国人民银行-条法司-其他文件", # 网站模块 "link": "http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html", # 访问链接 "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]', "title_xpath": "./a", "title_parse": "./@title", "title_link_xpath": "./a/@href", "date_re_switch": "False", # 是否使用正则提取日期时间 "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./following-sibling::span[1]", "date_parse": "./text()", "content": '//*[@class="content"]', # 正文HTML xpath "prefix": "http://www.pbc.gov.cn/", "config": "{'use_selenium':'False'}" }, { "industry_type": "政策", # 行业类别 "website_type": "公安部", # 网站/微信公众号名称 "url_type": "中华人民共和国公安部-规划计划", # 网站模块 "link": "https://www.mps.gov.cn/n2254314/n2254487/", # 访问链接 "article_rows_xpath": '//span/dl/dd', "title_xpath": "./a", "title_parse": "./text()", "title_link_xpath": "./a/@href", "date_re_switch": "True", # 是否使用正则提取日期时间 ( 2020-04-14 ) "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./span", "date_parse": "./text()", "content": '//*[@class="arcContent center"]', # 正文HTML xpath "prefix": "https://www.mps.gov.cn/", "config": "{'use_selenium':'True'}" }, { "industry_type": "政策", # 行业类别 "website_type": "公安部", # 网站/微信公众号名称 "url_type": "中华人民共和国公安部-公安要闻", # 网站模块 "link": "https://www.mps.gov.cn/n2253534/n2253535/index.html", # 访问链接 "article_rows_xpath": '//span/dl/dd', "title_xpath": "./a", "title_parse": "./text()", "title_link_xpath": "./a/@href", "date_re_switch": "True", # 是否使用正则提取日期时间 ( 2020-04-14 ) "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./span", "date_parse": "./text()", "content": '//*[@class="arcContent center"]', # 正文HTML xpath "prefix": "https://www.mps.gov.cn/", "config": "{'use_selenium':'True'}" }, { "industry_type": "政策", # 行业类别 "website_type": "公安部", # 网站/微信公众号名称 "url_type": "七台河市人民政府-信息上报系统-市辖单位-公安局", # 网站模块 "link": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/", # 访问链接 "article_rows_xpath": '//td[contains(text(), "公安局")]/parent::tr/parent::tbody/parent::table/parent::td/parent::tr/following::tr[1]/td/table//tr/td/a/parent::td/parent::tr', "title_xpath": "./td/a", "title_parse": "./@title", "title_link_xpath": "./td/a/@href", "date_re_switch": "False", # 是否使用正则提取日期时间 ( 2020-04-14 ) "date_re_expression": "", # 日期时间正则表达式 "date_xpath": "./td[3]", "date_parse": "./text()", "content": '//*[@class="TRS_Editor"]', # 正文HTML xpath "prefix": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/", "config": "{'use_selenium':'False'}" }, ] for target in target_list: yield target 5.爬虫代理 以上是关于Scrapy框架之Spalsh渲染信息,以上信息只能适合基本采集,如果需要详细长期采集需要配合使用爬虫代。例如使用亿牛云爬虫代理加强版配上以上demo更能方便长期稳定采集出想要的数据信息。

有疑问加站长微信联系(非本文作者)

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:701969077

491 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传