爬虫框架Scrapy学习笔记-1

前言

在现代互联网时代，网页数据获取和处理已经成为了重要的技能之一。无论是为了获取信息、做市场研究，还是进行数据分析，掌握网页爬取和数据处理技术都是非常有用的。本文将介绍从网页加载到数据存储的完整过程，包括网络请求、数据解析、反爬措施、多任务异步爬虫、数据存储和面向对象编程等内容。通过本文的学习，读者将能够掌握从网页上收集信息的基本原理和技术，以及如何将这些信息进行处理和存储。

网页加载的全过程

假设我们在浏览器输入www.example.com这个网址并回车,会发生以下过程:

1. 浏览器检查本地缓存,看看这个网页是否访问过,如果访问过就直接显示本地缓存内容,不用再到服务器请求。
2. 如果没有本地缓存,浏览器就创建一个HTTP请求,请求www.example.com这个服务器上的网页。
3. 请求发出去,服务器接收到请求后查找网页文件,找到后把网页文件的内容放入HTTP响应返回给浏览器。
4. 浏览器接收到服务器返回的HTML内容,就像得到一块土豆一样,先要洗干净、切块,才能烹饪。浏览器也要解析HTML、CSS、JS,才能显示出漂亮的界面。
5. 浏览器会生成DOM树来存储HTML标签结构,生成CSSOM树来存储CSS样式规则。
6. 浏览器执行页面的JavaScript代码,这可能会修改DOM或CSSOM。
7. 浏览器会将DOM和CSSOM整合形成一棵渲染树,确定每个节点的样式和坐标。
8. 按渲染树来布局,计算每个节点的大小和位置,然后把页面绘制出来。
9. 把绘制好的页面显示在浏览器窗口。
10. 当我们点击、输入时,浏览器会实时响应,重新执行JavaScript、调整样式、重新布局、重绘页面。

我用通俗易懂的语言,详细再给你解释一遍网页的加载过程:

1. 小明输入网址,按下回车键,浏览器听到后开始工作。
2. 浏览器先看看小明是不是之前来过这个网站,如果来过就拿出旧网页给小明看。
3. 如果没来过,浏览器就给网站服务器发个邮件,说想看看你家的网站,请把网页的内容回复我。
4. 网站服务器收到浏览器的邮件,找到网页文件后封入信封回邮给浏览器。
5. 浏览器收到服务器的回信,把信封打开,里面是一堆代码和图片之类的。
6. 浏览器把这些代码和图片像积木一样拼在一起,先建立一个DOM树结构,再确定CSS样式,然后把两棵树合成一棵渲染树。
7. 浏览器按渲染树计算每个部分的位置和大小,然后把网页画出来。
8. 把画好的网页拿给小明看,小明开心地浏览网页了。
9. 如果小明点击网页或者输入内容,浏览器会重新执行代码,重绘页面。

网页加载的渲染的两种形式:

1. 服务器端渲染

• 服务器收到客户端请求后,使用服务器语言(如PHP)生成整合了数据的HTML内容。
• 这样浏览器拿到的源代码中已经包含了需要展示的数据。

2. 客户端渲染

• 浏览器拿到服务器返回的HTML源代码后,开始解析和渲染。
• 通过执行JavaScript代码,可以实现网页的动态效果和交互。
• 数据和页面内容的整合在浏览器本地完成。
• 这样的渲染方式需要通过F12-network，在Fetch/XHR或JS中寻找需要的数据。
• preserver log可以记录你访问过的页面，打钩可避免网页302，重定向造成的影响

区分服务器端和客户端渲染非常重要。服务器端渲染可以减轻客户端压力,客户端渲染可以提供更好的交互体验。现代网页开发通常会结合两种渲染方式的优点。

Network面板中的各部分:

1. Headers
   请求头和响应头,显示了请求和响应的所有HTTP头信息,包括通用头和自定义头。重要的头会展开显示,如User-Agent, Cookie, Referer等。
2. Payload
   请求Payload显示发送给服务器的数据体,比如POST请求的表单数据或JSON体。
   响应Preview显示接收到的响应结果内容,比如HTML代码,图片文件,JSON数据等。
3. Cookies
   请求Cookies显示请求头中Cookie相关信息。
   响应Cookies显示响应头设置的Cookie内容。
   可查看Cookie的传递过程。
4. Initiator
   显示发起该请求的资源信息,比如HTML标签引入的img/script/link等。
   可了解资源之间的依赖关系。
5. Timing
   累积持续时间:整个请求过程总计耗时。
   块级别时间明细:分别显示队列、域名解析、TCP连接、TLS安全连接、请求响应等每个阶段的耗时。
   方便找出性能瓶颈。
6. Response
   显示响应状态码(200, 404等)和响应来源(服务端响应,浏览器缓存等)
   可快速识别请求是否成功。
7. 筛选条件
   可按方法,域名,类型,文本等条件进行过滤,组合使用可保存筛选条件。

requests库的用法:

安装

pip install requests
1

GET请求

GET请求用于获取服务器的数据。它通过URL的参数传递请求数据。

import requests

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

response = requests.get('http://httpbin.org/get', params=params)
print(response.url)
# http://httpbin.org/get?key1=value1&key2=value2
1
2
3
4
5
6
7

requests会将params字典类型自动转换为url参数。
也可以直接将参数拼接到url中:

import requests

response = requests.get('http://httpbin.org/get?key1=value1&key2=value2') 
1
2
3

百度搜索实例

https://www.baidu.com/s?tn=85070231_38_hao_pg&wd=总结
https://www.baidu.com/s?tn=85070231_38_hao_pg&wd=%E6%80%BB%E7%BB%93
params = {‘tn’: ‘85070231_38_hao_pg’, ‘wd’: ‘总结’}

POST请求

POST请求用于向服务器发送数据。它通过请求体传递参数。

import requests

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

response = requests.post('http://httpbin.org/post', data=data)
print(response.text)
# {
#   "form": {
#     "key1": "value1",
#     "key2": "value2"
#   }
# }
1
2
3
4
5
6
7
8
9
10
11
12

requests会自动编码data字典为表单格式。
也可以直接传递字符串:

data = 'key1=value1&key2=value2'
response = requests.post('http://httpbin.org/post', data=data)
1
2

此外,还可以传递JSON数据:

import json

data = {'key1': 'value1', 'key2': 'value2'}
data = json.dumps(data) 

response = requests.post('http://httpbin.org/post', data=data)
1
2
3
4
5
6

两种不同实例

Form Data形式
http://www.xinfadi.com.cn/priceDetail.html data = {‘key1’:‘value1’, ‘key2’: ‘value2’}

response = requests.post(‘http://httpbin.org/post’, data=data)
传递字典即可

Request Payload形式
能直观的看到是json类型的数据
两种方案

1. requests.post(url,json={字典})
2. requests.post(url,data=json.dumps({字典}),
   headers={ “Content-Type” : “application/json; charset=UTF-8” })
   

HTTP状态码

1. 200系列 - 请求成功,表示服务器成功处理了请求。常见有:

• 200 OK - 一般请求成功返回此代码
• 204 No Content - 请求成功但无内容返回

2. 300系列 - 重定向,表示资源已被分配了新的URI。常见有:

• 301 Moved Permanently - 永久重定向
• 302 Found - 临时重定向->location
• 304 Not Modified - 资源未修改,直接使用缓存

3. 400系列 - 客户端错误,表示请求存在语法错误或无法完成请求。常见有:

• 400 Bad Request - 请求报文存在语法错误
• 401 Unauthorized - 需要身份认证信息
• 403 Forbidden - 服务器拒绝请求
• 404 Not Found - 请求资源不存在

5. 500系列 - 服务器内部错误,表示服务器无法完成请求。常见有:

• 500 Internal Server Error - 服务器内部错误
• 503 Service Unavailable - 服务器暂时过载或维护

简单的反爬操作:

请求头:

• User-Agent:标识客户端浏览器信息,可用于反爬检测,表示用户用什么设备发送的请求。

  • 直接从浏览器复制,用于伪装访问设备。

• Cookie:网站用于跟踪会话,可检测非正常Cookie来实现反爬，是服务器记录在浏览器上的一个字符串，写入在本地的一个文件中，作用是和服务器保持住会话，在服务器端叫session。（HTTP请求是无状态请求）

  • 1. 从浏览器直接复制,适用于简单场景。
  • 2. 使用requests.session()自动保持会话,处理set-cookie,适用于复杂场景。如果网页使用Js维护Cookie,需要自己额外处理。

• Referer:标识来源页面,用来检测上一个url是什么,可检测Referer来防止盗链。

  • 直接复制来源页面URL,用于伪造访问来源。

• 网页自定义参数:这是最难处理的,需要通过逆向工程分析参数算法,找到生成参数的代码逻辑。

响应头:

• Location:302重定向地址,可设置跳转难以解析的页面用于反爬。
• Set-Cookie:设置Cookie,可用于保存难以伪造的Cookie实现访问控制。
• 网站还可以在这些头部中添加各种参数,来进行访问验证、opensession遥测等,以识别爬虫行为。

requests.Session的用法:

创建Session对象

import requests

session = requests.Session()
1
2
3

首先导入requests模块,然后调用requests.Session()来创建一个Session对象。

设置请求头

可以通过Session对象的headers属性预设请求头,这些头信息将会应用于该Session实例发出的所有请求:

session.headers = {
  'User-Agent': 'Mozilla/5.0',
  'Authorization': 'Bearer xxxxxxxxxxxxx' 
}
1
2
3
4

设置Cookies

session.cookies.update({
  'name': 'value',
  'foo': 'bar'
})
1
2
3
4

通过Session的cookies属性可以预设请求中的Cookies。

发送请求

response = session.get(url, params=params)
response = session.post(url, data=data) 
1
2

可以使用Session对象的get()、post()等方法发送请求。

关闭Session

session.close()
1

当Session使用完后,可以调用close()方法关闭该Session对象。
相比直接使用requests.get()/post()等函数,使用Session对象的好处是:

• 避免重复传参,提高效率
• 自动处理Cookies,实现状态保持
• 方便REQUESTS头及Cookies的管理

数据解析方法

三种解析HTML数据的方法:

1. 正则表达式re

• 在html中获取到js的一部分代码(字符串)
• 使用re.compile()编译正则表达式
• re.findall()方法根据正则在文本中提取匹配内容
• 适用于从文本中提取固定模式的字符串

import re

html = ''

pattern = re.compile(r'var data = "(.*)"') 
result = pattern.findall(html)
1
2
3
4
5
6

2. 调用xpath()提取指定节点

• 用来解析常规的html结构.
• 可以获取属性、文本等信息
• 处理速度快

from lxml import etree

html = etree.HTML(resp.text)
result = html.xpath('//li/text()')
1
2
3
4

etree的xpath默认返回的是列表.

if ret:
	ret[0]
else:
	XXX
1
2
3
4

3. BeautifulSoup

• 创建BeautifulSoup对象解析.xml,.svg
• 使用find()/find_all()搜索文档树
• 获取name、attrs、text等信息
• 可以处理不规整文档

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')
result = soup.find_all('li')
1
2
3
4

综合来说,正则适合提取固定模式字符串,lxml解析速度快,BeautifulSoup可以应对“烂”文档。

json和jsonp的解析方法:

1. JSON数据解析

• 从响应中获取JSON字符串

resp_text = response.text
1

• 尝试直接加载解析

try:
    data = response.json() 
except:
    # 处理异常
1
2
3
4

• 如果失败,则手动加载解析

import json

data = json.loads(resp_text )
1
2
3

• 在解析前,一定要打印检查resp_text 确认是标准JSON格式,才进行解析。
• 如果遇到反爬．你很可能拿到的东西和抓包工具不一致.
• 切记，先打印resp_text ．确定好你的返回的内容是json格式，才开始转化

2. JSONP数据解析

• JSONP格式如:XXXXXX({json}) => {json}
• 想办法去掉左右两端的XXXXXX( )=>得到的就是json
• “XXXXXX({json}) “.replace(“XXXXXX(”，””)[:-1]
• 需要去除方法调用部分,保留JSON字符串
• 得到JSON字符串后,加载解析
  
  
  以上两张图可以看出XXXXXX为callback值

多任务异步爬虫．多线程，多进程，协程异步I/O

1. 区别

• 多线程:线程之间共享进程内存空间,线程切换成本低,适合I/O密集作业。但线程不安全,需要锁机制。
• 多进程:进程有独立内存, Kosten比线程高,适合CPU密集作业。进程间通信复杂,需要IPC。
• 协程:在单线程中以异步方式实现并发,减少切换带来的消耗。适合I/O密集场景,可大幅提升效率。

2. 适用场景

• 多线程:爬取大量小页面,线程间共享解析函数等。
• 多进程:爬取数据规模巨大,CPU密集型数据处理。
• 协程:需要大量I/O操作的异步爬虫,提高并发量。

3. 实现难度

• 多线程:线程模块较为简单,难点在线程安全和死锁问题。
• 多进程:进程间通信和数据传递实现复杂度高。
• 协程:需理解异步语法,错误调试难度较大。

多线程

• 原理:导入threading模块,用Thread类创建线程。线程间共享进程内存空间,互不影响,可同时执行。
• 实例:

from threading import Thread
import requests

def crawl(url):
    r = requests.get(url)
    print(r.text)

t1 = Thread(target=crawl, args=('url1',))
t2 = Thread(target=crawl, args=('url2',))
t1.start()
t2.start()
1
2
3
4
5
6
7
8
9
10
11

多进程

• 原理:导入multiprocessing模块,用Process类创建进程。进程有独立内存空间,需要通过Queue、Pipe等方式通信。
• 实例:

from multiprocessing import Process, Queue

def crawler(q):
    data = crawl_page() 
    q.put(data)

q = Queue()
p1 = Process(target=crawler, args=(q,))
p2 = Process(target=crawler, args=(q,))
p1.start() 
p2.start()
1
2
3
4
5
6
7
8
9
10
11

协程异步I/O

• 原理:使用async/await语法,进行异步编程。遇await切换到其他协程,不阻塞程序执行。
• 实例:

import asyncio

async def fetch(url):
    print('fetching')
    return await aiohttp.get(url)
    
async def main():
    await fetch(url1)
    await fetch(url2)
    
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
1
2
3
4
5
6
7
8
9
10
11
12

数据存储

CSV

• CSV适合存储表格化数据,如电商订单、用户信息等
• 可以用Excel等软件方便编辑和查看数据
• 支持数据交换,可以导入到数据库或其他系统
• Python中常用csv模块操作

import csv

# 写入CSV文件
with open('data.csv', 'w', newline='') as csvfile:
    writer = csv.writer(csvfile)
    
    # 写入标题行  
    writer.writerow(['ID', 'Name', 'Age'])  
    
    # 写入数据行
    writer.writerow(['1', '张三', 20])
    writer.writerow(['2', '李四', 25])
    
# 读取CSV文件    
with open('data.csv', 'r') as csvfile:
    reader = csv.reader(csvfile)
    
    # 读取标题    
    headers = next(reader)  
    
    # 读取每行数据
    for row in reader:
        print(row)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

• 字典写入CSV

import csv

with open('data.csv', 'w', newline='') as f:
    fieldnames = ['id', 'name', 'age']
    writer = csv.DictWriter(f, fieldnames=fieldnames)

    writer.writeheader()
    writer.writerow({'id': 1, 'name': '张三', 'age': 20})
    writer.writerow({'id': 2, 'name': '李四', 'age': 25})

1
2
3
4
5
6
7
8
9
10

• Pandas读写CSV并存入Excel

import pandas as pd

df = pd.read_csv('data.csv')
df.to_csv('new_data.csv', index=False)
df.to_excel( "hehe.xls", header=False,index=False)

1
2
3
4
5
6

csv本质是文本文件

f = open("data.csv", modew" , encoding="utf-8")f.write("1")
f.write(" , ")
f.write("张三")
f.write(" , ")
f.write( '"张,三"')
f.write(" , ")
f.write("5000")
f.write(" \n ")
f.write(" , ")
f.write("张四")
f.write(" , ")
f.write( '"张,四"')
f.write(" , ")
f.write("5030")
f.write(" \n ")
import pandas
r = pandas.read_csv ( "data.csv " , sep="," , headen=None)
print(r)
r.to_excel( "hehe.xls", header=False,index=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

MySQL

• 数据类型:整型、字符串、日期时间等,设置符合存储需求的字段类型
• 查询语句:SELECT与WHERE过滤数据,ORDER BY排序,LIMIT分页
• 联表查询:INNER JOIN,LEFT/RIGHT JOIN 等方式联结多个表GetData
• 事务处理:START TRANSACTION到COMMIT,处理包含多条SQL语句的事务
• Python中操作:

import pymysql

# 连接数据库
conn = pymysql.connect(host='localhost', user='root', passwd='123456', db='test')

# 插入数据
cursor = conn.cursor()
cursor.execute("INSERT INTO tb_user VALUES (NULL, '张三', 25)") 
conn.commit()

# 查询数据
cursor.execute("SELECT * FROM tb_user")
result = cursor.fetchall()
print(result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

MongoDB

• 文档存储:JSON格式灵活存储数据
• 数据模式自由,无需定义表结构
• 丰富的查询语言:正则匹配、树形查询、地理位置查询等
• Python中操作:

from pymongo import MongoClient

# 连接Mongodb
client = MongoClient('localhost', 27017)
collection = client['testdb']['user']

# 插入文档
data = {'name': '张三', 'age': 25}
collection.insert_one(data)

# 查询文档  
results = collection.find({'age': {'$gt': 20}}) 
for result in results:
    print(result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Redis

• 键值对存储,value支持多种数据结构
• 提供字符串、哈希、列表、集合、有序集合5种数据结构操作
• 支持事务,具有原子性
• 丰富的功能:发布订阅、LRU过期等
• Python中操作:

import redis

# 连接Redis
r = redis.StrictRedis(host='localhost', port=6379, db=0)

# 字符串操作
r.set('username', '张三') 

# 散列操作
r.hset('user', 'name', '张三')  

# 列表操作
r.lpush('list', 1,2,3)
1
2
3
4
5
6
7
8
9
10
11
12
13

面向对象编程

编程思想的转变

目前我们编写的代码属于面向过程:

1. 获取页面源代码
2. 解析页面源代码
3. 存储数据

面向过程注重步骤,按照顺序一步步实现功能。
类似我要喝可乐的过程:

1. 从沙发上起来
2. 走到冰箱门前
3. 拿出可乐
4. 喝一口
5. 关上冰箱门

面向对象思维

面向对象编程核心在于思维方式的转变:

• 你要操纵对象,让对象给你干活
• 最终结果都是能喝到可乐
• 让对象去操作

要实现面向对象需要:

1. 定义对象
2. 让对象会进行操作

程序员可以自由构思创造对象,然后定义对象的属性和方法。

创建对象

在Python中通过类(Class)可以创建对象,类是对象的模板,包含对象的属性和方法。
定义一个类:

class Cat:

  def __init__(self, name, age):
    self.name = name
    self.age = age

  def meow(self):
    print("喵喵喵")
    
tom = Cat("汤姆", 3)
tom.meow()
1
2
3
4
5
6
7
8
9
10
11

面向对象编程可以提高代码的封装性、继承性和可维护性。需要转换编程思维方式,主要关注对象和类的设计。

总结

本文全面介绍了网页加载、数据处理和存储的关键概念和技术。无论是初学者还是有一定经验的开发者，都能从中受益匪浅。通过掌握这些技能，读者可以更有效地收集和处理网络数据，为各种应用场景提供有力支持。无论是进行数据分析、信息收集、还是网站开发，本文提供了重要的基础知识和实用技巧。希望读者能够积极学习和实践，不断提升自己的技能水平。

特别声明：
此教程为纯技术分享！本教程的目的决不是为那些怀有不良动机的人提供及技术支持！也不承担因为技术被滥用所产生的连带责任！本教程的目的记录分享学习技术的过程