python能做的100件事03 - 爬虫

news/2024/7/19 9:14:44 标签: python, 爬虫, 开发语言

文章目录

        • 1. scrapy介绍
        • 2 新建爬虫项目
        • 3 新建蜘蛛文件
        • 4 运行爬虫
        • 5 爬取内容
          • 5.1分析网页结构
          • 5.2 关于Xpath解析
          • 5.3 接着解析电影数据
          • 5.4 下载缩略图
          • 5.5 完整代码
        • 6 最后说明
        • 7 2023.01.23更新
          • 7.1 关于分页
            • 7.1.1 第一种是类似`烂番茄网`这样底部只有一个load more按钮的。每次单击这个按钮，会刷新出新一页的数据。但是每次单击时，地址栏都会携带一个page参数，每次加1.
            • 异常处理
            • 避免重复抓取
          • 7.1.2 第二种分页,页面效果类似下面:
          • 7.1.3 第三种分页,瀑布流,不携带分页参数的情况.
          • 7.1.4 第四种分页,可以从下一页按钮获取下一页的链接
          • 7.1.5 第五种分页,模拟点击下一页按钮(2023.02.03更新)

本例基于python3和scrapy爬虫框架，不再介绍python的基础知识和爬虫的基本知识。

1. scrapy介绍

Scrapy是适用于Python的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

首先安装scrapy:

pip3 install scrapy

2 新建爬虫项目

scrapy startproject pic

项目目录如下：
项目目录

3 新建蜘蛛文件

蜘蛛文件放在spiders目录下，在spiders目录下新建一个蜘蛛文件pic.py,内容如下，并没有设计爬取操作，代码比较简单，看代码中的注释就明白了：

python">import scrapy

#类名自定义,参数固定为scrapy.Spider
class GetImage(scrapy.Spider):
    name="pic" #蜘蛛名称，必须唯一，一个爬虫项目可以新建多个蜘蛛文件，蜘蛛名不能重复
    
    def start_requests(self):
        #定义要爬取的url    
        urls=[
            'https://www.rottentomatoes.com/browse/movies_in_theaters/'
        ]
        
        #请求网页内容，并将内容交给回调函数处理
        for url in urls:
            # yield关键字类似return,scrapy.Request发起网页请求，括号内为参数，第一个参数是Request要请求的地址，第二个参数是回调函数，表示Request取到的内容交由该回调函数处理。
            yield scrapy.Request(url=url,callback=self.parse) 

    #上一方法需要调用的回调函数
    def parse(self,response):
        print("------------------------")
        #此处获取上一步请求的网页内容及请求状态，print(response.body)可以获取网页内容，
        #因为内容太长，这里不再输出，只输出地址和状态。
        print(response)

4 运行爬虫

回到项目的根目录，运行如下命令：

scrapy crawl pic # crawl指定类文件中定义的蜘蛛名称pic

可以在运行日志中查看结果,200是网页连接正常的状态码:
在这里插入图片描述

5 爬取内容

上面代码中的网址是烂番茄网的电影页面,建议在测试时尽量选择测试网站进行测试,爬取信息时请遵守网站规定,并确认是否允许爬取.示例中的网页如下图所示:
示例网页

5.1分析网页结构

我们的目标是所有电影的名称和缩略图，首先通过F12查看网页的结构及目标节点的样式，如下图所示：
在这里插入图片描述可以看到只要找tile-dynamic节点下的img标签即可。scrapy中获取节点如下所示：
获取电影名称
运行爬虫，获取到的电影名称如下所示，是一个列表：
电影名称

5.2 关于Xpath解析

此处展示一些Xpath用法：

python">        #从html根节点查找最外层所有div
        divs = response.xpath('//div')
        #从html根节点查找第一个div
        div = response.xpath('//div[1]')
        #从上面的div中查找所有p节点,注意此时开头用./不是//
        ps = div.xpath('./p')
        #从上面的div中查找所有样式为col-4的p节点
        ps1 = div.xpath('./p[@class="col-4"]')
        #循环获取ps1中所有p节点下的img图像地址
        for p in ps1:
            #获取节点属性以@开头如@alt，@src，@text等
            srcs = p.xpath('./img/@src').get() #或者getall(),p节点包含多张图片的情况
        #更多xpath请参考官方教程：
        #https://docs.scrapy.org/en/latest/topics/selectors.html#working-with-xpaths
5.3 接着解析电影数据

增加对缩略图的抓取，代码获取的缩略图如下图所示：

获取缩略图

缩略图地址

5.4 下载缩略图

图片下载

下载过程如图所示：
下载过程

下载内容：
下载内容

5.5 完整代码
python">import scrapy
import ssl
import os
import urllib


#定义图片下载地址,请修改为自己的路径
d_path = '/home/ubuntu/下载/albums'

#类名自定义,参数固定为scrapy.Spider
class GetImage(scrapy.Spider):
    name="pic" #蜘蛛名称，必须唯一，一个爬虫项目可以新建多个蜘蛛文件，蜘蛛名不能重复
    
    def start_requests(self):
        #定义要爬取的url    
        urls=[
            'https://www.rottentomatoes.com/browse/movies_in_theaters/'
        ]
        
        #请求网页内容，并将内容交给回调函数处理
        for url in urls:
            # yield关键字类似return,scrapy.Request发起网页请求，括号内为参数，第一个参数是Request要请求的地址，第二个参数是回调函数，表示Request取到的内容交由该回调函数处理。
            yield scrapy.Request(url=url,callback=self.parse) 

    #上一方法需要调用的回调函数
    def parse(self,response):
        print("--------------------------")
        #此处获取上一步请求的网页内容及请求状态，print(response.body)可以获取网页内容，
        #因为内容太长，这里不再输出，只输出地址和状态。
        print(response)
        #获取页面所有电影节点
        #xpath方式获取 //表示从页面根节点开始查找，查找tile-tynamic下的img标签
        #然后获取img标签下的alt属性，这里alt属性是电影的名字。
        #getall()表示获取所有匹配项，get()获取第一个匹配项
        names = response.xpath('//tile-dynamic/img/@alt').getall()
        #获取页面所有电影缩略图地址
        albums = response.xpath('//tile-dynamic/img/@src').getall()
        
        for index,album in enumerate(albums):
            #循环取出缩略图地址，交由函数downImg来完成图片下载
            #并传入参数name,用作下载的缩略图命名
            self.downImg(album,names[index])


    #图片下载方法
    def downImg(self,album,name):

        try:
            #下载图片，参数第一个是缩略图地址，第二个参数是文件保存地址+文件名称+后缀名
            urllib.request.urlretrieve(album,d_path+"/" + name + ".jpg")
        except Exception as e:
            print('下载异常:')
            print(e)
            pass
        print ('下载图片:' + name)

6 最后说明

一个简单的图片爬虫就完成了，一个功能复杂的爬虫，还需要解决登陆，分页，或者爬取到结果后入库等操作，这里就不多做解释，以后有空会更新登陆，分页等其他功能，没有空就不更新了。最后还要说明一点，爬取网络内容时请遵守相关法律法规，和网站规则。一般网站的根目录下都有robots.txt文件，请确保遵循了robots.txt的规则。比如烂番茄网的robots.txt规则如下：
robots
Disallow:/search 表示不允许爬取 /search下的所有网页。

7 2023.01.23更新

7.1 关于分页
7.1.1 第一种是类似烂番茄网这样底部只有一个load more按钮的。每次单击这个按钮，会刷新出新一页的数据。但是每次单击时，地址栏都会携带一个page参数，每次加1.

loadmore在这里插入图片描述
在抓取时抓取地址添加一个参数并且循环增加这个page参数即可。这种页面在不知道总页数是多少页的情况下，我们可以自由选择要抓取的页数，或者一个很大的数去抓取全部数据。代码示例如下：

在这里插入图片描述

异常处理

关于下载图片时的异常如：

异常
是因为这张图片的名字中包含特殊字符<无法识别为路径,创建图片失败所致,在name中去掉标记即可,示例如下:
去掉标记
然后这张图片就正常了:
在这里插入图片描述
在你们自己的文件中需要根据异常信息自己处理.

避免重复抓取

对于上面的分页情况,当跳转第二页的时候,事页面上的数据已经包含了前2页的数据,这个时候要处理已经抓取过的数据,重复抓取对结果并无影响,因为上面的图片下载方法如果存在文件则会覆盖.但是会引起不必要的开销.针对上面的情况,事实上只要抓取第三页的数据就可以了.不用循环页码去分别抓取1,2,3页的数据.

另一种方法是判断磁盘上文件是否存在,不存在时下载,存在则提示.如下所示:
在这里插入图片描述
在这里插入图片描述

7.1.2 第二种分页,页面效果类似下面:

yema这种情况可以抓取分页条来获得最大页码,之后同样拼接分页参数,处理同上不再赘述.

7.1.3 第三种分页,瀑布流,不携带分页参数的情况.

以搜狗图像为例,分析每次滑动鼠标出现xhr请求的地址就会发现,每次从接口请求48张图片,只是开始的位置不一样,即参数中的start:
在这里插入图片描述

在这里插入图片描述
所以我们只需要抓取这个接口的数据即可,每次抓取更新start参数值.scrapy抓取https://pic.sogou.com/napi/pc/searchList?mode=1&start=0&xml_len=48&query=情侣头像的结果如下:
在这里插入图片描述从item节点里解析出图片的url地址并下载即可.

7.1.4 第四种分页,可以从下一页按钮获取下一页的链接

在这里插入图片描述
如上如所示,只要抓取a标签的href值即可获取下一页地址.这里的地址是相对地址,需要手动拼接http://www.xxx.com部分.当然,不是所有的网站都可以从下一页的链接中获取地址.只适用于部分情况.

7.1.5 第五种分页,模拟点击下一页按钮(2023.02.03更新)

需要借助 selenium 或者 splash 包来实现.这里是splash为例：

  1. 安装pip3 install scrapy-splash

  2. splash需要启动一个服务，这里以docker来启动：
    2.1 安装docker sudo dnf install docker 不同的发行版命令有差异，自己调整一下。
    2.2 启动docker 服务 sudo systemctl start docker
    2.3 启动一个splash容器：sudo docker run -p 8050:8050 scrapinghub/splash，
    如果下载速度太慢，配置一下docker镜像加速，编辑 /etc/docker/daemon.json 文件，没有就新建这个文件
    参考如下配置：

        {
 	"registry-mirrors": [
 		"https://registry.docker-cn.com",
 		"http://hub-mirror.c.163.com",
 		"https://docker.mirrors.ustc.edu.cn"
 		],
 	"storage-driver": "overlay2",
 	"storage-opts": [
 		"overlay2.override_kernel_check=true"
 		]
 }

    2.4 控制台出现 [-] Server listening on http://0.0.0.0:8050表明启动成功。

示例代码如下:

python">import scrapy
import ssl
import os
import urllib
from scrapy_splash import SplashRequest

# 定义模拟点击的脚本文件,有个模板可以拷贝,docker启动splash成功后,
# 浏览器输入localhost:8050,页面上会有这个脚本的示例
# 拷贝回来修改即可.
script = """
function main(splash, args)
  splash.images_enabled = false  
  assert(splash:go(args.url))
  assert(splash:wait(1))
  js = string.format("document.querySelector('div.discovery__actions > button).click();", args.page)
  splash:runjs(js)
  assert(splash:wait(5))
  return splash:html()
end
"""


#类名自定义,参数固定为scrapy.Spider
class GetImage(scrapy.Spider):
    name="pic" #蜘蛛名称，必须唯一，一个爬虫项目可以新建多个蜘蛛文件，蜘蛛名不能重复
    def start_requests(self):

        urls=[
            'https://www.rottentomatoes.com/browse/movies_in_theaters/'
        ]

        base_url = urls[0]

        for i in range(1,4):
            target_url = base_url + "?page="+str(i)
            #yield scrapy.Request(url=target_url,callback=self.parse)
            yield SplashRequest(target_url, callback=self.parse, endpoint='execute',
                                args={'lua_source': script, 'page': i, 'wait': 10})

    def parse(self,response):
        names = response.xpath('//div[@class="discovery-tiles__wrap"]/a/tile-dynamic/img/@alt').getall()
        print("-----------------------")
        print(len(names))

主要修改两处,第一个地方是定义一个script脚本,用于执行翻页动作的js.第二个地方是:

python">#由原来的scrapy.Request改为SplashRequest,将定义的script作为参数传入.page是页码.wait是等待时间.
yield SplashRequest(target_url, callback=self.parse, endpoint='execute',
                                args={'lua_source': script, 'page': i, 'wait': 10})

执行结果如下所示:

#这里只输出了目标元素的条数.
#第一页30条记录,第二页60条记录,第三页90条记录,因为这个网页翻页是在页面追加元素,前面解释过了
2023-02-03 22:10:14 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.rottentomatoes.com/browse/movies_in_theaters?page=2> (referer: None)
-----------------------
60
2023-02-03 22:10:15 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.rottentomatoes.com/browse/movies_in_theaters> (referer: None)
-----------------------
30
2023-02-03 22:10:18 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.rottentomatoes.com/browse/movies_in_theaters?page=3> (referer: None)
-----------------------
90

到这里翻页就完了,基本上包含了所有的翻页操作,最后一种用splash点击翻页虽然最复杂,但是却是最通用的一种翻页方式.最后解释一下script脚本:

function main(splash, args)
  splash.images_enabled = false  # 不加载图片
  assert(splash:go(args.url)) #发起请求
  assert(splash:wait(1)) #等待时间,单位:秒
  #注意引号内的内容就是页面上翻页那个按钮,这个一定要正确.page是页码,
  #此处的页码其实是调用发起处循环页码时传回的一个变量
  js = string.format("document.querySelector('div.discovery__actions > button).click();", args.page)
  splash:runjs(js) #执行js
  assert(splash:wait(5)) #等待5s
  return splash:html() #返回网页源码
end

http://www.niftyadmin.cn/n/824240.html

相关文章

STC51单片机-阵列LED显示-物联网应用系统设计项目开发

STC51单片机-阵列LED显示-物联网应用系统设计项目开发

目录一、说明二、重点三、实现四、下载一、说明 大部分发光二极管工作电流15mA之间&#xff0c;其内阻为20100Ω。电流越大&#xff0c;亮度也越高。 单片机并行端口P1&#xff5e;P3驱动发光二极管&#xff0c;可以采用图6-1电路。其中&#xff0c;&#xff08;a&#xff09…
阅读更多...
STC51单片机-多外部中断事件处理及应用-物联网应用系统设计项目开发

STC51单片机-多外部中断事件处理及应用-物联网应用系统设计项目开发

目录一、说明二、重点三、实现四、下载一、说明 单片机中“中断”处理主要是指单片机暂停当前主程序的执行&#xff0c;而去执行更重要或需急迫处理的事件请求的处理程序&#xff0c;处理完成后&#xff0c;再回到主程序暂停处继续执行。这个事件叫“中断源”&#xff0c;发出…
阅读更多...
I.Mx6 NFS挂载失败问题 【已解决】

I.Mx6 NFS挂载失败问题 【已解决】

1、问题描述 串口输出如下信息后&#xff0c;无任何响应。 IP-Config: Complete:deviceeth0, addr192.168.1.88, mask255.255.255.0, gw192.168.1.1,host192.168.1.88, domain, nis-domain(none),bootserver192.168.1.58, rootserver192.168.1.58, rootpath VFS: Mounted root …
阅读更多...
PAT 1032. Sharing

PAT 1032. Sharing

其实就是链表求交&#xff1a; 1 #include <iostream>2 #include <cstdio>3 #include <cstdlib>4 #include <unordered_map>5 6 using namespace std;7 8 class Node {9 public: 10 Node() : data(0), next(0) {} 11 char data; 12 int ne…
阅读更多...
STC51单片机-多功能信号发生器设计-物联网应用系统设计项目开发

STC51单片机-多功能信号发生器设计-物联网应用系统设计项目开发

目录一、说明二、重点三、实现四、下载一、说明 信号发生器是一种能提供各种频率、波形和输出电平电信号的设备。在测量各种电信系统或电信设备的振幅特性、频率特性、传输特性及其它电参数时&#xff0c;以及测量元器件的特性与参数时&#xff0c;用作测试的信号源或激励源。…
阅读更多...
oracle常见小问题解答ORA-01008，ORA-01036

oracle常见小问题解答ORA-01008，ORA-01036

第一个问题&#xff0c;参数传的空值&#xff0c;需要检查参数们有没有空值的情况 第二个问题&#xff0c;与MSSQL不同的是&#xff0c;.net使用参数化调用oracle不加加的是&#xff1a;&#xff0c;然后在参数化语句里面可以省略&#xff1a;冒号&#xff0c;如果不这么写&…
阅读更多...
STC51单片机-异步串行通信系统-物联网应用系统设计项目开发

STC51单片机-异步串行通信系统-物联网应用系统设计项目开发

目录一、说明二、重点三、实现四、下载一、说明 同步通信是指在约定的通信速率下&#xff0c;发送端和接收端的时钟信号频率和相位始终保持一致&#xff08;同步&#xff09;&#xff0c;这就保证了通信双方在发送和接收数据时具有完全一致的定时关系。串行通信是指计算机主机…
阅读更多...
cf#294-c A and B and Team Training

cf#294-c A and B and Team Training

http://codeforces.com/contest/519/problem/ 给n个有经验的人和m个新手&#xff0c;要求将它们2:1 或者1:2组合&#xff0c;问最多可以组成几对 通过线性规划&#xff1a; 取最小值即可 #include<iostream> #include<cstdio> using namespace std; int main() {in…
阅读更多...
最新文章

Copyright @ 2022~2023