Python之路【第十九篇】：爬虫



网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

Requests

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

import urllib2import jsonimport cookielibdef urllib2_request(url, method="GET", cookie="", headers={}, data=None):    """    :param url: 要请求的url    :param cookie: 请求方式，GET、POST、DELETE、PUT..    :param cookie: 要传入的cookie，cookie= 'k1=v1;k1=v2'    :param headers: 发送数据时携带的请求头，headers = {'ContentType':'application/json; charset=UTF-8'}    :param data: 要发送的数据GET方式需要传入参数，data={'d1': 'v1'}    :return: 返回元祖，响应的字符串内容 和 cookiejar对象    对于cookiejar对象，可以使用for循环访问：        for item in cookiejar:            print item.name,item.value    """    if data:        data = json.dumps(data)    cookie_jar = cookielib.CookieJar()    handler = urllib2.HTTPCookieProcessor(cookie_jar)    opener = urllib2.build_opener(handler)    opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])    request = urllib2.Request(url=url, data=data, headers=headers)    request.get_method = lambda: method    response = opener.open(request)    origin = response.read()    return origin, cookie_jar# GETresult = urllib2_request('http://127.0.0.1:8001/index/', method="GET")# POSTresult = urllib2_request('http://127.0.0.1:8001/index/',  method="POST", data= {'k1': 'v1'})# PUTresult = urllib2_request('http://127.0.0.1:8001/index/',  method="PUT", data= {'k1': 'v1'})

封装urllib请求

Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

1、GET请求

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

# 1、无参数实例

 

import requests

 

ret =requests.get('https://github.com/timeline.json')

 

printret.url

printret.text

 

 

 

# 2、有参数实例

 

importrequests

 

payload = {'key1':'value1','key2': 'value2'}

ret =requests.get("http://httpbin.org/get", params=payload)

 

printret.url

printret.text

向 https://github.com/timeline.json 发送一个GET请求，将请求和响应相关均封装在 ret 对象中。

2、POST请求

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

# 1、基本POST实例

 

import requests

 

payload ={'key1':'value1','key2': 'value2'}

ret =requests.post("http://httpbin.org/post", data=payload)

 

printret.text

 

 

# 2、发送请求头和数据实例

 

importrequests

importjson

 

url ='https://api.github.com/some/endpoint'

payload = {'some':'data'}

headers = {'content-type':'application/json'}

 

ret =requests.post(url, data=json.dumps(payload), headers=headers)

 

printret.text

printret.cookies

向https://api.github.com/some/endpoint发送一个POST请求，将请求和相应相关的内容封装在 ret 对象中。

3、其他请求

?

1

2

3

4

5

6

7

8

9

10

requests.get(url, params=None,**kwargs)

requests.post(url, data=None, json=None,**kwargs)

requests.put(url, data=None,**kwargs)

requests.head(url,**kwargs)

requests.delete(url,**kwargs)

requests.patch(url, data=None,**kwargs)

requests.options(url,**kwargs)

 

# 以上方法均是在此方法的基础上构建

requests.request(method, url,**kwargs)

requests模块已经将常用的Http请求方法为用户封装完成，用户直接调用其提供的相应方法即可，其中方法的所有参数有：

def request(method, url, **kwargs):    """Constructs and sends a :class:`Request <Request>`.    :param method: method for the new :class:`Request` object.    :param url: URL for the new :class:`Request` object.    :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.    :param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.    :param json: (optional) json data to send in the body of the :class:`Request`.    :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.    :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.    :param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': ('filename', fileobj)}``) for multipart encoding upload.    :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.    :param timeout: (optional) How long to wait for the server to send data        before giving up, as a float, or a :ref:`(connect timeout, read        timeout) <timeouts>` tuple.    :type timeout: float or tuple    :param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.    :type allow_redirects: bool    :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.    :param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.    :param stream: (optional) if ``False``, the response content will be immediately downloaded.    :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.    :return: :class:`Response <Response>` object    :rtype: requests.Response    Usage::      >>> import requests      >>> req = requests.request('GET', 'http://httpbin.org/get')      <Response [200]>    """    # By using the 'with' statement we are sure the session is closed, thus we    # avoid leaving sockets open which can trigger a ResourceWarning in some    # cases, and look like a memory leak in others.    with sessions.Session() as session:        return session.request(method=method, url=url, **kwargs)

更多参数

更多requests模块相关的文档见：http://cn.python-requests.org/zh_CN/latest/

自动登陆抽屉并点赞

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

### 1、首先登陆任何页面，获取cookie

 

i1 =requests.get(url="http://dig.chouti.com/help/service")

 

### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权

i2 =requests.post(

    url="http://dig.chouti.com/login",

    data={

        'phone':"86手机号",

        'password':"密码",

        'oneMonth': ""

    },

    cookies=i1.cookies.get_dict()

)

 

### 3、点赞（只需要携带已经被授权的gpsd即可）

gpsd =i1.cookies.get_dict()['gpsd']

i3 =requests.post(

    url="http://dig.chouti.com/link/vote?linksId=8589523",

    cookies={'gpsd': gpsd}

)

print(i3.text)

“破解”微信公众号

“破解”微信公众号其实就是使用Python代码自动实现【登陆公众号】->【获取观众用户】-> 【向关注用户发送消息】。

注：只能向48小时内有互动的粉丝主动推送消息

1、自动登陆

分析对于Web登陆页面，用户登陆验证时仅做了如下操作：

• 登陆的URL：https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN
• POST的数据为：
  

      {
           'username': 用户名,
           'pwd': 密码的MD5值,
           'imgcode': "", 
           'f': 'json'
      }
  注：imgcode是需要提供的验证码，默认无需验证码，只有在多次登陆未成功时，才需要用户提供验证码才能登陆

• POST的请求头的Referer值，微信后台用次来检查是谁发送来的请求
• 请求发送并登陆成功后，获取用户响应的cookie，以后操作其他页面时需要携带此cookie 
• 请求发送并登陆成功后，获取用户相应的内容中的token

# -*- coding:utf-8 -*- import requestsimport timeimport hashlibdef _password(pwd):    ha = hashlib.md5()    ha.update(pwd)    return ha.hexdigest()def login():        login_dict = {        'username': "用户名",        'pwd': _password("密码"),        'imgcode': "",        'f': 'json'    }    login_res = requests.post(        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",        data=login_dict,        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})    # 登陆成功之后获取服务器响应的cookie    resp_cookies_dict = login_res.cookies.get_dict()    # 登陆成功后，获取服务器响应的内容    resp_text = login_res.text    # 登陆成功后，获取token    token = re.findall(".*token=(\d+)", resp_text)[0]    print resp_text    print token    print resp_cookies_dictlogin()

登陆代码

登陆成功获取的相应内容如下：

?

1

2

3

4

5

响应内容：

{"base_resp":{"ret":0,"err_msg":"ok"},"redirect_url":"\/cgi-bin\/home?t=home\/index&lang=zh_CN&token=537908795"}

 

响应cookie：

{'data_bizuin':'3016804678','bizuin':'3016804678','data_ticket':'CaoX+QA0ZA9LRZ4YM3zZkvedyCY8mZi0XlLonPwvBGkX0/jY/FZgmGTq6xGuQk4H','slave_user':'gh_5abeaed48d10','slave_sid':'elNLbU1TZHRPWDNXSWdNc2FjckUxalM0Y000amtTamlJOUliSnRnWGRCdjFseV9uQkl5cUpHYkxqaGJNcERtYnM2WjdFT1pQckNwMFNfUW5fUzVZZnFlWGpSRFlVRF9obThtZlBwYnRIVGt6cnNGbUJsNTNIdTlIc2JJU29QM2FPaHZjcTcya0F6UWRhQkhO'}

2、访问其他页面获取用户信息

分析用户管理页面，通过Pyhton代码以Get方式访问此页面，分析响应到的 HTML 代码，从中获取用户信息：

• 获取用户的URL：https://mp.weixin.qq.com/cgi-bin/user_tag?action=get_all_data&lang=zh_CN&token=登陆时获取的token
• 发送GET请求时，需要携带登陆成功后获取的cookie
  
  ?

  1

  {'data_bizuin':'3016804678','bizuin':'3016804678','data_ticket': 'C4YM3zZ...
• 获取当前请求的响应的html代码
• 通过正则表达式获取html中的指定内容（Python的模块Beautiful Soup）
• 获取html中每个用户的 data-fakeid属性，该值是用户的唯一标识，通过它可向用户推送消息

# -*- coding:utf-8 -*- import requestsimport timeimport hashlibimport jsonimport reLOGIN_COOKIES_DICT = {}def _password(pwd):    ha = hashlib.md5()    ha.update(pwd)    return ha.hexdigest()def login():        login_dict = {        'username': "用户名",        'pwd': _password("密码"),        'imgcode': "",        'f': 'json'    }    login_res = requests.post(        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",        data=login_dict,        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})    # 登陆成功之后获取服务器响应的cookie    resp_cookies_dict = login_res.cookies.get_dict()    # 登陆成功后，获取服务器响应的内容    resp_text = login_res.text    # 登陆成功后，获取token    token = re.findall(".*token=(\d+)", resp_text)[0]    return {'token': token, 'cookies': resp_cookies_dict}def standard_user_list(content):    content = re.sub('\s*', '', content)    content = re.sub('\n*', '', content)    data = re.findall("""cgiData=(.*);seajs""", content)[0]    data = data.strip()    while True:        temp = re.split('({)(\w+)(:)', data, 1)        if len(temp) == 5:            temp[2] = '"' + temp[2] + '"'            data = ''.join(temp)        else:            break    while True:        temp = re.split('(,)(\w+)(:)', data, 1)        if len(temp) == 5:            temp[2] = '"' + temp[2] + '"'            data = ''.join(temp)        else:            break    data = re.sub('\*\d+', "", data)    ret = json.loads(data)    return retdef get_user_list():    login_dict = login()    LOGIN_COOKIES_DICT.update(login_dict)    login_cookie_dict = login_dict['cookies']    res_user_list = requests.get(        url= "https://mp.weixin.qq.com/cgi-bin/user_tag",        params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},        cookies = login_cookie_dict,        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}    )    user_info = standard_user_list(res_user_list.text)    for item in user_info['user_list']:        print "%s %s " % (item['nick_name'],item['id'],)    get_user_list()

代码实现

3、发送消息

分析给用户发送消息的页面，从网络请求中剖析得到发送消息的URL，从而使用Python代码发送消息：

• 发送消息的URL：https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=登陆时获取的token放在此处&lang=zh_CN
• 从登陆时相应的内容中获取：token和cookie
• 从用户列表中获取某个用户唯一标识： fake_id
• 封装消息，并发送POST请求
  
  ?

  1

  2

  3

  4

  5

  6

  7

  8

  9

  10

  11

  send_dict = {

      'token': 登陆时获取的token,

      'lang':"zh_CN",

      'f':'json',

      'ajax':1,

      'random':"0.5322618900912392",

      'type':1,

      'content': 要发送的内容,

      'tofakeid': 用户列表中获取的用户的ID,

      'imgcode': ''

  }

# -*- coding:utf-8 -*- import requestsimport timeimport hashlibimport jsonimport reLOGIN_COOKIES_DICT = {}def _password(pwd):    ha = hashlib.md5()    ha.update(pwd)    return ha.hexdigest()def login():        login_dict = {        'username': "用户名",        'pwd': _password("密码"),        'imgcode': "",        'f': 'json'    }    login_res = requests.post(        url= "https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN",        data=login_dict,        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'})    # 登陆成功之后获取服务器响应的cookie    resp_cookies_dict = login_res.cookies.get_dict()    # 登陆成功后，获取服务器响应的内容    resp_text = login_res.text    # 登陆成功后，获取token    token = re.findall(".*token=(\d+)", resp_text)[0]    return {'token': token, 'cookies': resp_cookies_dict}def standard_user_list(content):    content = re.sub('\s*', '', content)    content = re.sub('\n*', '', content)    data = re.findall("""cgiData=(.*);seajs""", content)[0]    data = data.strip()    while True:        temp = re.split('({)(\w+)(:)', data, 1)        if len(temp) == 5:            temp[2] = '"' + temp[2] + '"'            data = ''.join(temp)        else:            break    while True:        temp = re.split('(,)(\w+)(:)', data, 1)        if len(temp) == 5:            temp[2] = '"' + temp[2] + '"'            data = ''.join(temp)        else:            break    data = re.sub('\*\d+', "", data)    ret = json.loads(data)    return retdef get_user_list():    login_dict = login()    LOGIN_COOKIES_DICT.update(login_dict)    login_cookie_dict = login_dict['cookies']    res_user_list = requests.get(        url= "https://mp.weixin.qq.com/cgi-bin/user_tag",        params = {"action": "get_all_data", "lang": "zh_CN", "token": login_dict['token']},        cookies = login_cookie_dict,        headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}    )    user_info = standard_user_list(res_user_list.text)    for item in user_info['user_list']:        print "%s %s " % (item['nick_name'],item['id'],)    def send_msg(user_fake_id, content='啥也没发'):    login_dict = LOGIN_COOKIES_DICT        token = login_dict['token']    login_cookie_dict = login_dict['cookies']    send_dict = {        'token': token,        'lang': "zh_CN",        'f': 'json',        'ajax': 1,        'random': "0.5322618900912392",        'type': 1,        'content': content,        'tofakeid': user_fake_id,        'imgcode': ''    }       send_url = "https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=%s&lang=zh_CN" % (token,)    message_list = requests.post(        url=send_url,         data=send_dict,         cookies=login_cookie_dict,         headers={'Referer': 'https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN'}    )get_user_list()fake_id = raw_input('请输入用户ID:')content = raw_input('请输入消息内容:')send_msg(fake_id, content)

发送消息代码

以上就是“破解”微信公众号的整个过程，通过Python代码实现了自动【登陆微信公众号平台】【获取用户列表】【指定用户发送消息】。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

?

1

pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

?

1

scrapy startproject your_project_name

自动创建目录：

?

1

2

3

4

5

6

7

8

9

project_name/

   scrapy.cfg

   project_name/

       __init__.py

       items.py

       pipelines.py

       settings.py

       spiders/

           __init__.py

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

 

class XiaoHuarSpider(scrapy.spiders.Spider):

    name="xiaohuar"

    allowed_domains=["xiaohuar.com"]

    start_urls=[

        "http://www.xiaohuar.com/hua/",

    ]

 

    defparse(self, response):

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

 

        current_url=response.url

        body=response.body

        unicode_body=response.body_as_unicode()

3、运行

进入project_name目录，运行命令

?

1

scrapy crawl spider_name--nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

import re

import urllib

import os

 

 

classXiaoHuarSpider(scrapy.spiders.Spider):

    name="xiaohuar"

    allowed_domains=["xiaohuar.com"]

    start_urls=[

        "http://www.xiaohuar.com/list-1-1.html",

    ]

 

    defparse(self, response):

        # 分析页面

        # 找到页面中符合规则的内容（校花图片），保存

        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去

 

        hxs=HtmlXPathSelector(response)

 

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html

        ifre.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):

            items=hxs.select('//div[@class="item_list infinite_scroll"]/div')

            foriin range(len(items)):

                src=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src'%i).extract()

                name=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'%i).extract()

                school=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'%i).extract()

                ifsrc:

                    ab_src="http://www.xiaohuar.com"+src[0]

                    file_name="%s_%s.jpg"%(school[0].encode('utf-8'), name[0].encode('utf-8'))

                    file_path=os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)

                    urllib.urlretrieve(ab_src, file_path)

 

        # 获取所有的url，继续访问，并在其中寻找相同的url

        all_urls=hxs.select('//a/@href').extract()

        forurlin all_urls:

            ifurl.startswith('http://www.xiaohuar.com/list-1-'):

                yieldRequest(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

from scrapy.selector import Selectorfrom scrapy.http import HtmlResponsehtml = """<!DOCTYPE html><html><head lang="en">    <meta charset="UTF-8">    <title></title></head><body>    <li class="item-"><a href="link.html">first item</a></li>    <li class="item-0"><a href="link1.html">first item</a></li>    <li class="item-1"><a href="link2.html">second item</a></li></body></html>"""response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()print(ret)

正则选择器

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyimport hashlibfrom tutorial.items import JinLuoSiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorclass JinLuoSiSpider(scrapy.spiders.Spider):    count = 0    url_set = set()    name = "jluosi"    domain = 'http://www.jluosi.com'    allowed_domains = ["jluosi.com"]    start_urls = [        "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",    ]    def parse(self, response):        md5_obj = hashlib.md5()        md5_obj.update(response.url)        md5_url = md5_obj.hexdigest()        if md5_url in JinLuoSiSpider.url_set:            pass        else:            JinLuoSiSpider.url_set.add(md5_url)            hxs = HtmlXPathSelector(response)            if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):                item = JinLuoSiItem()                item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()                item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()                item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')                item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()                item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()                item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()                product_list = []                product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')                for i in range(2,len(product_tr)):                    temp = {                        'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),                        'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),                    }                    product_list.append(temp)                item['product_list'] = product_list                yield item            current_page_urls = hxs.select('//a/@href').extract()            for i in range(len(current_page_urls)):                url = current_page_urls[i]                if url.startswith('http://www.jluosi.com'):                    url_ab = url                    yield Request(url_ab, callback=self.parse)

选择器规则Demo

def parse(self, response):    from scrapy.http.cookies import CookieJar    cookieJar = CookieJar()    cookieJar.extract_cookies(response, response.request)    print(cookieJar._cookies)

获取响应cookies

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

# -*- coding: utf-8 -*-

 

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

 

import scrapy

 

class JieYiCaiItem(scrapy.Item):

 

    company=scrapy.Field()

    title=scrapy.Field()

    qq=scrapy.Field()

    info=scrapy.Field()

    more=scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyimport hashlibfrom beauty.items import JieYiCaiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorfrom scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractorclass JieYiCaiSpider(scrapy.spiders.Spider):    count = 0    url_set = set()    name = "jieyicai"    domain = 'http://www.jieyicai.com'    allowed_domains = ["jieyicai.com"]    start_urls = [        "http://www.jieyicai.com",    ]    rules = [        #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)        #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),        #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)        #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),    ]    def parse(self, response):        md5_obj = hashlib.md5()        md5_obj.update(response.url)        md5_url = md5_obj.hexdigest()        if md5_url in JieYiCaiSpider.url_set:            pass        else:            JieYiCaiSpider.url_set.add(md5_url)                        hxs = HtmlXPathSelector(response)            if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):                item = JieYiCaiItem()                item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()                item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')                item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()                item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()                item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()                yield item            current_page_urls = hxs.select('//a/@href').extract()            for i in range(len(current_page_urls)):                url = current_page_urls[i]                if url.startswith('/'):                    url_ab = JieYiCaiSpider.domain + url                    yield Request(url_ab, callback=self.parse)

spider

此处代码的关键在于：

• 将获取的数据封装在了Item对象中
• yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

# -*- coding: utf-8 -*-# Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.htmlimport jsonfrom twisted.enterprise import adbapiimport MySQLdb.cursorsimport remobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')phone_re = re.compile(r'(\d+-\d+|\d+)')class JsonPipeline(object):    def __init__(self):        self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')    def process_item(self, item, spider):        line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))        self.file.write(line)        return itemclass DBPipeline(object):    def __init__(self):        self.db_pool = adbapi.ConnectionPool('MySQLdb',                                             db='DbCenter',                                             user='root',                                             passwd='123',                                             cursorclass=MySQLdb.cursors.DictCursor,                                             use_unicode=True)    def process_item(self, item, spider):        query = self.db_pool.runInteraction(self._conditional_insert, item)        query.addErrback(self.handle_error)        return item    def _conditional_insert(self, tx, item):        tx.execute("select nid from company where company = %s", (item['company'][0], ))        result = tx.fetchone()        if result:            pass        else:            phone_obj = phone_re.search(item['info'][0].strip())            phone = phone_obj.group() if phone_obj else ' '            mobile_obj = mobile_re.search(item['info'][1].strip())            mobile = mobile_obj.group() if mobile_obj else ' '            values = (                item['company'][0],                item['qq'][0],                phone,                mobile,                item['info'][2].strip(),                item['more'][0])            tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)    def handle_error(self, e):        print 'error',e

pipelines

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

?

1

2

3

4

5

ITEM_PIPELINES = {

    'beauty.pipelines.DBPipeline':300,

    'beauty.pipelines.JsonPipeline':100,

}

# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。