「Python3 爬虫标准化项目」标准化爬虫数据抓取通用代码编写模板

落日映苍穹つ 2022-10-27 13:44 430阅读 0赞

### 文章目录 ###

*  内容介绍
 *  Scrapy 模板操作流程
 *   *  项目创建操作
     *  项目文件配置
     *  Spider 内容列表获取模板
     *  Spider 内容详情获取模板
     *  执行抓取作业
     *  特别说明

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，Gerapy 版本 0.9.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

既然是标准化作业，就必须要有一个标准化的模板。

依照此本文的模板可以做到无脑复制到Scrapy项目中，将每个spider文件修改 **spider** 目录下的每一个项目 **py** 文件即可。

只需要修改列表业页和详情页中需要每个页面抓取的部分，确定他们的标签和属性在模板中进行替换，即可实现单一网站整体快速的数据抓取和采集。

不过在这之前还是要确认好标准化作业中处理的爬虫抓取目标，精准定位。不仅抓取的数据可以便于项目中的应用，也方便后期的爬虫脚本的维护。

# Scrapy 模板操作流程 #

## 项目创建操作 ##

**1. 创建项目**

新建一个文件夹存放所有的 **Scrapy** 项目，打开命令行创建项目。

scrapy startproject 你的项目名（不支持中文）

我是按照抓取的网站类别进行分类创建。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][20210316101042603.png]

**2. 创建爬虫脚本**

进入创建的项目文件夹创建爬虫脚本，即每个 **spiders** 目录下的文件。

创建每个spider文件注意事项。

*  spider 不支持中文、不要带标点符号。
 *  spider 文件名称建议用网站的网址。
 *  作用域建议用空格代替先。

例如：http://www.cctd.com.cn/ 写成

scrapy genspider www_cctd_com_cn " "

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]  
**3. 自动生成文件说明**

*  **scrapy.cfg**  
    项目的配置文件，可以暂时忽略。未来部署分布式会使用到。
 *  **items.py**  
    保存爬取到的数据的容器，其使用方法和python字典类似， 用于创建抓取内容的字段属性，比如新闻内容设置title、url、content属性用于保存数据结构。
 *  **pipelines.py**  
    用来执行保存数据的操作。用于根据items.py指定的字段提取的数据进行保存到相应的表格或者数据仓库中。
 *  **settings.py**  
    比较重要的配置文件，用于配置各种设置。
 *  **middlewares.py**  
    用于在执行爬虫脚本时进行相关操作的控制脚本，例如启动浏览器，更换代理IP等等操作。
 *  **spiders下的py文件**  
    是未来写好的爬虫执行脚本。

## 项目文件配置 ##

**1. 配置 items.py**

*  添加你要抓取内容的字段名称，根据自己的实际情况进行修改。
 *  定义的字段类型务必要与spider中抓取的字段相同，否则无法执行。

import scrapy
    
    class StudydataItem(scrapy.Item):
        title = scrapy.Field() # 文章标题
        url = scrapy.Field() # 文章链接url
        thumbImg = scrapy.Field() # 文章封面
        publishTime = scrapy.Field() # 文章发布日期
        content = scrapy.Field() # 文章正文
        channel_name = scrapy.Field()  # 文章所属频道
        py_name = scrapy.Field() # 脚本名称
        web_name = scrapy.Field() # 网站名称

**2.配置 middlewares.py**

直接在底部添加对应内容。

**2.1 添加中间件随机更换Header**

用于随机更换浏览器头信息，防止被反爬的基础修改，这里是在 **setting.py** 文件中做好的浏览器header进行随机选择。

# 添加Header和IP类
    from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
    from scrapy.utils.project import get_project_settings
    
    settings = get_project_settings()
    
    
    class RotateUserAgentMiddleware(UserAgentMiddleware):
        def process_request(self, request, spider):
            referer = request.url
            if referer:
                request.headers["referer"] = referer
            USER_AGENT_LIST = settings.get('USER_AGENT_LIST')
            user_agent = random.choice(USER_AGENT_LIST)
            if user_agent:
                request.headers.setdefault('user-Agent', user_agent)
                print(f"user-Agent:{ user_agent}")

**2.2 设置更换代理IP**

如果网站反爬不厉害的话这部分可以忽略。

# 添加随机更换IP代理类（根据实际IP代理情况进行修改获取方式和更改方式）
    import random
    import sys
    import requests
    
    sys.path.append('.')
    
    
    class MyProxyMiddleware(object):
        def process_request(self, request, spider):
            url = "这里放购买的代理API地址，进行解析后使用代理访问"
            html = requests.get(url).text
            ip_list = html.split("\r\n")[:-1]
            proxy = random.choice(ip_list)
            request.meta['proxy'] = 'http://' + proxy

**3.配置 pipelines.py**

**mongodb数据存储**，毕竟抓上亿的数据感觉还是mongodb好用。这里为了安全起见为mongdb设置一下密码吧。

# 文件头添加
    import pymongo
    from scrapy.utils.project import get_project_settings
    settings = get_project_settings()

这里是读取 **Settings.py** 中的MongoDB的相应设置操作，如果未在 **Settings.py** 中设置，这里也可以直接定义。

将settings\[“xxxxx”\]中的内容替换成你的配置即可。

# 添加必备包和加载设置
    import pymongo
    from scrapy.utils.project import get_project_settings
    settings = get_project_settings()
    
    class StudydataPipeline(object):
        # class中全部替换
        def __init__(self):
            host = settings["MONGODB_HOST"]
            port = settings["MONGODB_PORT"]
            dbname = settings["MONGODB_DATABASE"]
            sheetname = settings["MONGODB_TABLE"]
            username = settings["MONGODB_USER"]
            password = settings["MONGODB_PASSWORD"]
            # 创建MONGODB数据库链接
            client = pymongo.MongoClient(host=host, port=port, username=username, password=password)
            # 指定数据库
            mydb = client[dbname]
            # 存放数据的数据库表名
            self.post = mydb[sheetname]
    
        def process_item(self, item, spider):
            data = dict(item)
            # 数据写入
            self.post.insert(data)
            return item

**4. 配置 settings.py**  
**4.1 ROBOTSTXT\_OBEY 机器人协议**

文件中20-21行，建议修改Fasle否则很多网站没办法折腾。

# Obey robots.txt rules
    ROBOTSTXT_OBEY = True

**4.2 DOWNLOADER\_MIDDLEWARES 下载中间件**

*  禁用自带的默认浏览器Header，一般创建文件时就默认禁用，无视。
 *  配置自定义的更换浏览器Herder中间件方法。其中 **项目名** 统一成你创建的项目名即可。

# Enable or disable downloader middlewares
    # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
    DOWNLOADER_MIDDLEWARES = { 
        '项目名.middlewares.StudydataDownloaderMiddleware': 543,
        'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None,
        '项目名.middlewares.RotateUserAgentMiddleware': 400,  # 更换Header优先级
        # '项目名.middlewares.MyProxyMidleware': 300, #更换IP优先级默认注销掉
    }

**4.3 Item piplines 数据据处理**

67-69行代码默认是注释的要解开，否则数据无法写入数据仓库。

# Configure item pipelines
    # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
    ITEM_PIPELINES = { 
        '项目名.pipelines.StudydataPipeline': 300,
    }

**4.4 mongodb数据仓库配置**

# 添加 设置MONGODB数仓
    MONGODB_HOST = "你数据仓库的IP"
    MONGODB_PORT = 数据仓库的端口号
    MONGODB_DBNAME = "存储数据的数据仓库的仓库名"
    MONGODB_SHEETNAME = "存储数据的数据仓库的表名"
    MONGODB_USER = "mongdodb你设置的用户名"
    MONGODB_PASSWORD = "mongdodb你设置的密码"

**5. 随机浏览器header**

可以根据自己需要进行增减。

# 添加 设置浏览器Header
    USER_AGENT_LIST = [
          "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
          "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
          "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
          "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
          "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
          "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
          "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
          "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
          "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
          "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
          "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
    ]

## Spider 内容列表获取模板 ##

实现一个列表页中根据列表的顺序进行遍历循环抓取每个url并访问然后存储到数据仓库中。

这个模板根据自己的需要进行调整即可。

**1. 设置第三方加载包**

import scrapy
    from 项目名.items import 对应项目的item（就是items.py里的class名）
    import json
    import time
    import re
    from urllib import parse
    from .parse_detail import *
    from random import shuffle
    from gerapy_auto_extractor.extractors import *
    from scrapy.utils.project import get_project_settings
    settings = get_project_settings()

**2. 设置基础数据属性**

name = 'xxxxxx'  # 这个地方是默认生成用于启动脚本的name不需要修改
        allowed_domains = [] # 作用域，这里之前定义成空格，这里就不需要操作了
    
        web_name = "xxxxxx网"  # 抓取的网站中文名称，用于爬虫数据管理
        start_menu = [
            # 抓取栏目类别标记，比如写成 XXX频道 这样
            # 也可以把同一CSS样式的放一起通过同一个 parse 处理
            [
                # 这里放处理好的数据字典
                # 数据格式举例
            	{ "channel_name": "xxxxx频道-xxxxx列表", "url": "https://www.xxxx.com/list.html", },
            ],
        ]

**3.start\_requests方法重写**

重写 start\_requests 方法，依据2中的start\_menu格式进行处理。

def start_requests(self):
        	# start_menu 中的1个列表元素对应 parse_list 列表元素。
        	# 意思是对应每个列表元素执行对应的 parse 方法进行页面解析处理。
            parse_list = [
                self.parse1,
            ]
    
            # 非API接口方法，增加随机处理模式
            start_menu_list = self.start_menu
            shuffle(start_menu_list)  # 打乱每个栏目种的顺序
            for each_menu_num in range(len(self.start_menu)):
                new_list = self.start_menu[each_menu_num]
                shuffle(new_list)  # 打乱每个栏目中的抓取目标
                for each_menu in self.start_menu[each_menu_num]:
                    url = each_menu["url"]
                    channel_name = each_menu["channel_name"]
                    parse_function = parse_list[each_menu_num]
    
                    yield scrapy.Request(
                        url=url,
                        meta={ 
                            'url': url,
                            'channel_name': channel_name,
                        },
                        callback=parse_function
                    )

**4. parse 列表页数据处理**

*  常规的定位抓取目标的属性和标签。

# 抓取内容的配置 parse_list根据定义匹配
        def parse1(self, response):
            # 抓取选择页面的列表信息，获取的内容均为list，要求长度必须一直否则会出错
            # 这里不抓取日期，在正文里抓取日期
            Item_title = response.xpath('//标签[@class="属性"]/a/text()').extract()  # 文章标题列表
            Item_url = response.xpath('//标签[@class="属性"]/a/@href').extract()  # 文章链接列表
            Item_thumbImg = response.xpath('//标签[@class="属性"]/a/img/@src').extract()  # 文章封面图片列表
    
            for each in range(len(Item_title)):
                item = 对应项目的item()  # 这里对应Item里的类名
                item['title'] = Item_title[each].strip()  # 内容标题
                item['url'] = parse.urljoin(response.url, Item_url[each])  # 拼接正文url
                # item['thumbImg'] = parse.urljoin(response.url, Item_thumbImg[each]) # 拼接图片url
                item['publishTime'] = ""
                item['thumbImg'] = ""
                item['channel_name'] = response.meta["channel_name"]
                item['web_name'] = self.web_name
                item["py_name"] = self.name + ".py"
                yield scrapy.Request(item['url'], callback=self.parse_detail, meta={ 'item': item})

*  使用 **gerapy\_auto\_extractor** 直接获取页面中标题和列表，但是某些网页无法获取。

# 抓取内容的配置 parse_list根据定义匹配
        def parse1(self, response):
            data = extract_list(response.text)
            for each in range(len(data)):
                item = 对应项目的item()  # 这里对应Item里的类名
                item['title'] = data[each]["title"].strip()  # 内容标题
                item['url'] = parse.urljoin(response.url, data[each]["url"])  # 拼接正文url
                # item['thumbImg'] = parse.urljoin(response.url, Item_thumbImg[each]) # 拼接图片url
                item['publishTime'] = ""
                item['thumbImg'] = ""
                item['channel_name'] = response.meta["channel_name"]
                item['web_name'] = self.web_name
                item["py_name"] = self.name + ".py"
                yield scrapy.Request(item['url'], callback=self.parse_detail, meta={ 'item': item})

**5.详情页内容回调方法**

将抓取内容详情页的方法统一交付到 **parse\_detail.py** 文件处理。

# 详情页在parse_detail.py中处理
        def parse_detail(self, response):
            item = ProcessContent(self, response)
            yield item

## Spider 内容详情获取模板 ##

在目录下新建文件 **parse\_detail.py**。

用于处理抓取的内容的日期和正文数据，其中使用 **gerapy\_auto\_extractor** 模块偷懒直接获取正文内容和日期（前提正文内容里要有）

# coding:utf-8
    __author__ = 'Mr.数据杨'
    __explain__ = '抓取文章正文内容' \
                  '1.DateTimeProcess_Str 处理日期内容，如果始终没有日期可以抓取默认当天日期' \
                  '2.ProcessContent 处理正文内容' \
                  '3.提取unHtmlContent（无格式的文字内容）' \
                  '4.提取content（含有CSS样式的内容）'
    
    import re
    from gerapy_auto_extractor.extractors import extract_detail
    import time
    
    
    # 处理日期数据函数
    def DateTimeProcess_Str(text):
        time_text = str(text)
        if ("年" or "月" or "日") in time_text:
            time_text = re.findall('\d{4}年\d{2}月\d{2}', time_text)[0]
            time_text = re.sub(r'[年月]', '-', time_text)
            time_text = re.sub(r'[日]', '', time_text)
            return time_text
        elif "-" in time_text:
            time_text = re.findall('\d{4}-\d{2}-\d{2}', time_text)[0]
            return time_text
        else:
            return time.strftime('%Y-%m-%d')
    
    
    # 判断内容是否None
    def None2Str(text):
        if text is None:
            return ''
        else:
            return text
    
    
    def ProcessContent(self, response):
        # 设置详情页的内容
        item = response.meta['item']
    
        data = extract_detail(response.text)
    
        # 处理详情页的时间,如果始终没有获取到时间默认当天日期
        if data["datetime"] is None:
            item['publishTime'] = DateTimeProcess_Str(item['publishTime'])
        else:
            item['publishTime'] = DateTimeProcess_Str(data["datetime"])
    
        # 处理详情页带格式，这里整个页面进行抓取
        item['content'] = ""
        # 这里对应的是列表抓取文件下的内容，分不同的网站设置不同的详情抓取方法。
        if item['web_name'] == "xxxxxx": 
            if '属性="xxxxxx"' in response.text and len(None2Str(item['content'])) < 5:
                item['content'] = response.xpath('//标签[@属性="xxxxxx"]').extract_first()
    
        # 通用的方法页面数据无法采集默认抓取整个页面
        if len(item['content']) < 5:
            item['content'] = response.xpath('//body').extract_first()
    
        return item

## 执行抓取作业 ##

**1.启动脚本**

scrapy crawl （spider下文件名，启动脚本）
    
    scrapy crawlall （spider全部，启动脚本，需要进行配置）

![在这里插入图片描述][20210316105153242.png]

**2.抓取的过程**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]  
**3.抓取结果**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]

## 特别说明 ##

有些网站的程序员丧心病狂到一定程度10个页面9种样式这种，由于我们不可能每个页面都打开看一下详情页的CSS格式，因此有个通用的解决办法。

*  第一次抓取完内容之后打开MongoDB数据库执行下面的命令会把包含body的页面数据筛选出来，这些是没有根据指定样式抓取的数据，而是直接抓的全部页面的数据。
 *  打开任意的link循环处理详情页的内容直到mongo命令没有筛选出来内容为止即可。
 *  mongodb命令，查找包含body标签的文章，显示的数据即为为定义的样式的内容。

db.你的表名.find({content:/body/})

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221024/d1a09588c9b3492c88af302b4e05f921.png
[20210316101042603.png]: /images/20221024/f85fff625a604dddb1e5ac0d8cf8d56a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20221024/5ec928fa6bd24431a3929f266531b796.png
[20210316105153242.png]: /images/20221024/5c17e95c45394fc7ae1b3e541ffcf51b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]: /images/20221024/92d8d2ccc29548af83d118713e7b8718.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]: /images/20221024/485e4c2aceba4e919db8254db9ee1003.png