【深入Scrapy实战】从登录到数据解析构建完整爬虫流程

这篇具有很好参考价值的文章主要介绍了【深入Scrapy实战】从登录到数据解析构建完整爬虫流程。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【作者主页】:吴秋霖
【作者介绍】:Python领域优质创作者、阿里云博客专家、华为云享专家。长期致力于Python与爬虫领域研究与开发工作!
【作者推荐】:对JS逆向感兴趣的朋友可以关注《爬虫JS逆向实战》,对分布式爬虫平台感兴趣的朋友可以关注《分布式爬虫平台搭建与开发实战》
还有未来会持续更新的验证码突防、APP逆向、Python领域等一系列文章

1. 写在前面

  Scrapy是爬虫非常经典的一个框架,深受开发者喜爱!因其简洁高效的设计,被广泛选用于构建强大的爬虫工程。很多人会选择使用它来开发自己的爬虫工程。今天我将用一个论坛网站的示例来全面讲述Scrapy框架的使用

以前都是底层开始,现在不一样了,一上来都是框架。导致很多人是知其然,但不知其所以然。而忽略了底层原理的理解


目标网站(感兴趣的可以练练手)

aHR0cHM6Ly9mb3J1bS5heGlzaGlzdG9yeS5jb20v


这是一个国外的BBS论坛,随手挑的一个曾经写过的案例。前几年做舆情相关的项目,写的爬虫真的是很多,境内外社交媒体、论坛、新闻资讯

【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

2. 抓包分析

  首先,我们打开这个网站,这个网站是要登陆的。我们先解决登陆这块,简单的构造一下登陆请求抓个包分析一下:

【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

上图就是登陆请求提交的参数,接下来我们需要在Scrapy爬虫工程的Spider中构造并实现登陆功能

3. Scrapy提交登陆请求

  参数都都是明文的比较简单,唯一的一个sid也不是加密生成的,在HTML中就能够拿到

很多时候一些接口某些参数,你看起来是密文,但是并不一定就是加密算法生成的,很有可能在HTML或者其它接口响应中就能获取的到

sid获取如下:

【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

现在我们开始编写Scrapy爬虫中登陆的这部分代码,实现代码如下所示:

def parse(self, response):
	text = response.headers['Set-Cookie']
	pa = re.compile("phpbb3_lzhqa_sid=(.*?);")
	sid = pa.findall(text)[0]
	response.meta['sid'] = sid
	login_url = 'https://forum.axishistory.com/ucp.php?mode=login'
	yield Request(login_url, meta=response.meta, callback=self.parse_login)
        
def parse_login(self, response):
	sid=response.meta['sid']
	username ='用户名'
	password = '密码'
	formdata = {
	    "username": username,
	    "password": password,
	    "sid": sid,
	    "redirect": "index.php",
	    "login": "Login",
	}
	yield FormRequest.from_response(response, formid='login', formdata=formdata, callback=self.parse_after_login)

首先我们它通过parse函数从start_urls请求所响应的response中获取sid的值,然后继续交给parse_login的登陆函数实现模拟登陆

另外说一下formid这个参数,在HTML文档中,表单通常通过标签定义,并且可以包含id属性,这个id属性就是表单的ID,如下一个HTML的示例:

<form id="login" method="post" action="/login">
    <!-- 表单的其他字段 -->
    <input type="text" name="username">
    <input type="password" name="password">
    <!-- 其他表单字段 -->
    <input type="submit" value="Login">
</form>

在上面的这个例子中,标签有一个id属性,其值为“login”。所以,formid这个参数用于指定表单,去构造登陆提交请求

4. 列表与详情页面数据解析

  登陆处理完以后,我们就可以使用Scrapy爬虫继续对列表跟详情页构造请求并解析数据,这一部分的无非就是写XPATH规则了,基本对技术的要求并不高,如下使用XPATH测试工具编写列表页链接提取的规则:
【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

Scrapy列表页代码实现如下:

def parse_page_list(self, response):
    pagination = response.meta.get("pagination", 1)
    details = response.xpath("//div[@class='inner']/ul/li")
    for detail in details:
        replies = detail.xpath("dl/dd[@class='posts']/text()").extract_first()
        views = detail.xpath("dl/dd[@class='views']/text()").extract_first()
        meta = response.meta
        meta["replies"] = replies
        meta["views"] = views
        detail_link = detail.xpath("dl//div[@class='list-inner']/a[@class='topictitle']/@href").extract_first()
        detail_title = detail.xpath("dl//div[@class='list-inner']/a[@class='topictitle']/text()").extract_first()
        meta["detail_title"] = detail_title
        yield Request(response.urljoin(detail_link), callback=self.parse_detail, meta=response.meta)
    next_page = response.xpath("//div[@class='pagination']/ul/li/a[@rel='next']/@href").extract_first()
    if next_page and pagination < self.pagination_num:
        meta = response.meta
        meta['pagination'] = pagination+1
        yield Request(response.urljoin(next_page), callback=self.parse_page_list, meta=meta)

self.pagination_num是一个翻页最大采集数的配置,这个自行设定即可

通过列表页我们拿到了所有贴文的链接,我们并在代码的最后使用了yield对列表页发起了请求,<font 并通过color=#ff0033 size=3>callback=self.parse_detail交给解析函数去提取数据

首先我们定义在项目的items.py文件中定义Item数据结构,主要帖子跟评论的,如下所示:

class AccountItem(Item):
    account_url = Field()                # 账号url
    account_id = Field()                 # 账号id
    account_name = Field()               # 账号名称
    nick_name = Field()                  # 昵称
    website_name = Field()               # 论坛名
    account_type = Field()               # 账号类型,固定forum
    level = Field()                      # 账号等级
    account_description = Field()        # 账号描述信息
    account_followed_num = Field()       # 账号关注数
    account_followed_list = Field()      # 账号关注id列表
    account_focus_num = Field()          # 账号粉丝数
    account_focus_list = Field()         # 账号粉丝id列表
    regist_time = Field()                # 账号注册时间
    forum_credits = Field()              # 论坛积分/经验值
    location = Field()                   # 地区
    post_num = Field()                   # 发帖数
    reply_num = Field()                  # 跟帖数
    msg_type = Field()
    area = Field()
    
class PostItem(Item):
    type = Field()                 # "post"
    post_id = Field()              # 帖子id
    title = Field()                # 帖子标题
    content = Field()              # 帖子内容
    website_name = Field()         # 论坛名
    category = Field()             # 帖子所属版块
    url = Field()                  # 帖子url
    language = Field()             # 语种, zh_cn|en|es
    release_time = Field()         # 发布时间
    account_id = Field()            # 发帖人id
    account_name = Field()          # 发帖人账号名
    page_view_num = Field()        # 帖子浏览数
    comment_num = Field()          # 帖子回复数
    like_num = Field()             # 帖子点赞数
    quote_from =Field()            # 被转载的帖子id
    location_info = Field()        # 发帖地理位置信息
    images_url = Field()           # 帖子图片链接
    image_file = Field()           # 帖子图片存储路径
    msg_type = Field()
    area = Field()

class CommentItem(Item):
    type = Field()                 # "comment"
    website_name = Field()         # 论坛名
    post_id = Field()
    comment_id = Field()
    content = Field()              # 回帖内容
    release_time = Field()         # 回帖时间
    account_id = Field()           # 帖子回复人id
    account_name = Field()         # 回帖人名称
    comment_level = Field()        # 回帖层级
    parent_id = Field()            # 回复的帖子或评论id
    like_num = Field()             # 回帖点赞数
    comment_floor = Field()        # 回帖楼层
    images_url = Field()           # 评论图片链接
    image_file = Field()           # 评论图片存储路径
    msg_type = Field()
    area = Field()

接下来我们需要编写贴文内容的数据解析代码,解析函数代码实现如下所示:

def parse_detail(self, response):
    dont_parse_post = response.meta.get("dont_parse_post")
    category = " < ".join(response.xpath("//ul[@id='nav-breadcrumbs']/li//span[@itemprop='title']/text()").extract()[1:])
    if dont_parse_post is None:
        msg_ele = response.xpath("//div[@id='page-body']//div[@class='inner']")[0]
        post_id = msg_ele.xpath("div//h3/a/@href").extract_first(default='').strip().replace("#p", "")
        post_item = PostItem()
        post_item["url"] = response.url
        post_item['area'] = self.name
        post_item['msg_type'] = u"贴文"
        post_item['type'] = u"post"
        post_item["post_id"] = post_id
        post_item["language"] = 'en'
        post_item["website_name"] = self.allowed_domains[0]
        post_item["category"] = category
        post_item["title"] = response.meta.get("detail_title")
        post_item["account_name"] = msg_ele.xpath("div//strong/a[@class='username']/text()").extract_first(default='').strip()
        post_item["content"] = "".join(msg_ele.xpath("div//div[@class='content']/text()").extract()).strip()
        post_time = "".join(msg_ele.xpath("div//p[@class='author']/text()").extract()).strip()
        post_item["release_time"] = dateparser.parse(post_time).strftime('%Y-%m-%d %H:%M:%S')
        post_item["collect_time"] = dateparser.parse(str(time.time())).strftime('%Y-%m-%d %H:%M:%S')
        user_link =msg_ele.xpath("div//strong/a[@class='username']/@href").extract_first(default='').strip()
        account_id = "".join(re.compile("&u=(\d+)").findall(user_link))
        post_item["account_id"] = account_id
        post_item["comment_num"] = response.meta.get("replies")
        post_item["page_view_num"] = response.meta.get("views")
        images_urls = msg_ele.xpath("div//div[@class='content']//img/@src").extract() or ""
        post_item["images_url"] = [response.urljoin(url) for url in images_urls]
        post_item["image_file"] = self.image_path(post_item["images_url"])
        post_item["language"] = 'en'
        post_item["website_name"] = self.name
        response.meta["post_id"] = post_id
        response.meta['account_id'] = post_item["account_id"]
        response.meta["account_name"] = post_item["account_name"]
        full_user_link = response.urljoin(user_link)
        yield Request(full_user_link, meta=response.meta, callback=self.parse_account_info)
    for comment_item in self.parse_comments(response):
        yield comment_item
    comment_next_page = response.xpath(u"//div[@class='pagination']/ul/li/a[@rel='next']/@href").extract_first()
    if comment_next_page:
        response.meta["dont_parse_post"] = 1
        next_page_link = response.urljoin(comment_next_page)
        yield Request(next_page_link, callback=self.parse_detail, meta=response.meta)

贴文内容的下方就是评论信息,上面代码中我们拿到评论的链接comment_next_page,直接继续发送请求解析评论内容:

【深入Scrapy实战】从登录到数据解析构建完整爬虫流程,Python,scrapy,爬虫,python

def parse_comments(self, response):
    comments = response.xpath("//div[@id='page-body']//div[@class='inner']")
    if response.meta.get("dont_parse_post") is None:
        comments = comments[1:]
    for comment in comments:
        comment_item = CommentItem()
        comment_item['type'] = "comment"
        comment_item['area'] = self.name
        comment_item['msg_type'] = u"评论"
        comment_item['post_id'] = response.meta.get("post_id")
        comment_item["parent_id"] = response.meta.get("post_id")
        comment_item["website_name"] = self.allowed_domains[0]
        user_link =comment.xpath("div//strong/a[@class='username']/@href").extract_first(default='').strip()
        account_id = "".join(re.compile("&u=(\d+)").findall(user_link))
        comment_item['comment_id'] = comment.xpath("div//h3/a/@href").extract_first(default='').strip().replace("#p","")
        comment_item['account_id'] = account_id
        comment_item['account_name'] = comment.xpath("div//strong/a[@class='username']/text()").extract_first(default='').strip()
        comment_time = "".join(comment.xpath("div//p[@class='author']/text()").extract()).strip()
        if not comment_time:
            continue
        comment_level_text = comment.xpath("div//div[@id='post_content%s']//a[contains(@href,'./viewtopic.php?p')]/text()" % comment_item['comment_id']).extract_first(default='')
        comment_item['comment_level'] = "".join(re.compile("\d+").findall(comment_level_text))
        comment_item['release_time'] = dateparser.parse(comment_time).strftime('%Y-%m-%d %H:%M:%S')
        comment_content_list = "".join(comment.xpath("div//div[@class='content']/text()").extract()).strip()
        comment_item['content'] = "".join(comment_content_list)
        response.meta['account_id'] = comment_item["account_id"]
        response.meta["account_name"] = comment_item["account_name"]
        full_user_link = response.urljoin(user_link)
        yield Request(full_user_link, meta=response.meta, callback=self.parse_account_info)

评论信息采集中还有一个针对评论用户信息采集的功能,通过调用parse_account_info函数进行采集,实现代码如下所示:

def parse_account_info(self, response):
    about_item = AccountItem()
    about_item["account_id"] = response.meta["account_id"]
    about_item["account_url"] = response.url
    about_item["account_name"] = response.meta["account_name"]
    about_item["nick_name"] = ""
    about_item["website_name"] = self.allowed_domains[0]
    about_item["account_type"] = "forum"
    about_item["level"] = ""
    account_description = "".join(response.xpath("//div[@class='inner']/div[@class='postbody']//text()").extract())
    about_item["account_description"] = account_description
    about_item["account_followed_num"] = ""
    about_item["account_followed_list"] = ""
    about_item["account_focus_num"] = ""
    about_item["account_focus_list"] = ""
    regist_time = "".join(response.xpath("//dl/dt[text()='Joined:']/following-sibling::dd[1]/text()").extract())
    about_item["regist_time"] = dateparser.parse(regist_time).strftime('%Y-%m-%d %H:%M:%S')
    about_item["forum_credits"] = ""
    location = "".join(response.xpath("//dl/dt[text()='Location:']/following-sibling::dd[1]/text()").extract())
    about_item["location"] = location
    post_num_text = response.xpath("//dl/dt[text()='Total posts:']/following-sibling::dd[1]/text()[1]").extract_first(default='')
    post_num = post_num_text.replace(",",'').strip("|").strip()
    about_item["post_num"] = post_num
    about_item["reply_num"] = ""
    about_item["msg_type"] = 'account'
    about_item["area"] = self.name
    yield about_item

最后从帖子到评论再到账号信息,层层采集与调用拿到完整的一个JSON结构化数据,进行yield到数据库

5. 中间件Middleware配置

  因为是国外的论坛网站案例,所以这里我们需要使用我们的Middleware来解决这个问题:

class ProxiesMiddleware():
    logfile = logging.getLogger(__name__)

    def process_request(self, request, spider):
        self.logfile.debug("entry ProxyMiddleware")
        try:
            # 依靠meta中的标记,来决定是否需要使用proxy
            proxy_addr = spider.proxy
            if proxy_addr:
                if request.url.startswith("http://"):
                    request.meta['proxy'] = "http://" + proxy_addr  # http代理
                elif request.url.startswith("https://"):
                    request.meta['proxy'] = "https://" + proxy_addr  # https代理
        except Exception as e:
            exc_type, exc_obj, exc_tb = sys.exc_info()
            fname = os.path.split(exc_tb.tb_frame.f_code.co_filename)[1]
            self.logfile.warning(u"Proxies error: %s, %s, %s, %s" %
                                 (exc_type, e, fname, exc_tb.tb_lineno))

settings文件中配置开启Middleware:

DOWNLOADER_MIDDLEWARES = {
	'forum.middlewares.ProxiesMiddleware': 100,
}

  好了,到这里又到了跟大家说再见的时候了。创作不易,帮忙点个赞再走吧。你的支持是我创作的动力,希望能带给大家更多优质的文章文章来源地址https://www.toymoban.com/news/detail-756706.html

到了这里,关于【深入Scrapy实战】从登录到数据解析构建完整爬虫流程的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Scrapy爬虫框架集成Selenium来解析动态网页

    当前网站普遍采用了javascript 动态页面,特别是vue与react的普及,使用scrapy框架定位动态网页元素十分困难,而selenium是最流行的浏览器自动化工具,可以模拟浏览器来操作网页,解析元素,执行动作,可以处理动态网页,使用selenium处理1个大型网站,速度很慢,而且非常耗资

    2024年02月15日
    浏览(53)
  • Python爬虫之Scrapy框架系列(23)——分布式爬虫scrapy_redis浅实战【XXTop250部分爬取】

    先用单独一个项目来使用scrapy_redis,讲解一些重要点!

    2024年02月16日
    浏览(56)
  • python爬虫实战 scrapy+selenium爬取动态网页

    最近学习了scrapy爬虫框架,想要找个目标练练手。由于现在很多网页都是动态的,因此还需要配合selenium爬取。本文旨在记录这次学习经历,如有疑问或不当之处,可以在评论区指出,一起学习。 对scrapy不了解的同学可以阅读这篇文章 爬虫框架 Scrapy 详解,对scrapy框架介绍的

    2024年02月07日
    浏览(83)
  • 大数据构建知识图谱:从技术到实战的完整指南

    本文深入探讨了知识图谱的构建全流程,涵盖了基础理论、数据获取与预处理、知识表示方法、知识图谱构建技术等关键环节。 知识图谱,作为人工智能和语义网技术的重要组成部分,其核心在于将现实世界的对象和概念以及它们之间的多种关系以图形的方式组织起来。它不

    2024年02月22日
    浏览(43)
  • 微博数据采集,微博爬虫,微博网页解析,完整代码(主体内容+评论内容)

    参加新闻比赛,需要获取大众对某一方面的态度信息,因此选择微博作为信息收集的一部分 微博主体内容 微博评论内容 一级评论内容 二级评论内容 以华为发布会这一热搜为例子,我们可以通过开发者模式得到信息基本都包含在下面的 div tag中 我们通过网络这一模块进行解

    2024年03月14日
    浏览(50)
  • 构建企业数据安全的根基:深入解析数据安全治理能力评估与实践框架

    随着数字化转型深入各行各业,数据安全已成为企业不可或缺的重要议题。在这一背景下,有效的数据安全治理框架成为确保企业数据安全的基石。 中国互联网协会于 2021 年发布 T/SC-0011-2021《数据安全治理能力评估方法》,推出了国内首个数据安全治理能力建设及评估框架,

    2024年02月22日
    浏览(45)
  • 爬虫系列实战:使用json解析天气数据

    大家好,爬虫是一项非常抢手的技能,收集、分析和清洗数据是数据科学项目中最重要的部分,本文介绍使用json解析气象局天气数据。 在官网上获取天气数据信息,可以定义当前查询的位置,提取时间、温度、湿度、气压、风速等信息,并导入requests、matplotlib这些需要用到

    2024年01月18日
    浏览(39)
  • 爬虫实战:从HTTP请求获取数据解析社区

    在过去的实践中,我们通常通过爬取HTML网页来解析并提取所需数据,然而这只是一种方法。另一种更为直接的方式是通过发送HTTP请求来获取数据。考虑到大多数常见服务商的数据都是通过HTTP接口封装的,因此我们今天的讨论主题是如何通过调用接口来获取所需数据。 目前来

    2024年03月20日
    浏览(48)
  • 【爬虫】4.3 Scrapy 爬取与存储数据

    目录 1. 建立 Web 网站 2. 编写数据项目类 3. 编写爬虫程序 MySpider 4. 编写数据管道处理类 5. 设置 Scrapy 的配置文件         从一个网站爬取到数据后,往往要存储数据到数据库中,scrapy 框架有十分方便的存储方法,为了说明这个存储过程,首先建立一个简单的网站,然后写

    2024年02月09日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包