皮皮网

1.Python爬虫如何写？
2.Python爬虫入门：Scrapy框架—Spider类介绍
3.[scrapy]scrapy-redis快速上手/scrapy爬虫分布式改造

Python爬虫如何写？

       å…ˆæ£€æŸ¥æ˜¯å¦æœ‰API

       API是网站官方提供的数据接口，如果通过调用API采集数据，则相当于在网站允许的范围内采集，这样既不会有道德法律风险，也没有网站故意设置的障碍；不过调用API接口的访问则处于网站的控制中，网站可以用来收费，可以用来限制访问上限等。整体来看，如果数据采集的需求并不是很独特，那么有API则应优先采用调用API的方式。

       æ•°æ®ç»“构分析和数据存储

       çˆ¬è™«éœ€æ±‚要十分清晰，具体表现为需要哪些字段，这些字段可以是网页上现有的，也可以是根据网页上现有的字段进一步计算的，这些字段如何构建表，多张表如何连接等。值得一提的是，确定字段环节，不要只看少量的网页，因为单个网页可以缺少别的同类网页的字段，这既有可能是由于网站的问题，也可能是用户行为的差异，只有多观察一些网页才能综合抽象出具有普适性的关键字段——这并不是几分钟看几个网页就可以决定的简单事情，如果遇上了那种臃肿、混乱的网站，可能坑非常多。

       å¯¹äºŽå¤§è§„模爬虫，除了本身要采集的数据外，其他重要的中间数据（比如页面Id或者url）也建议存储下来，这样可以不必每次重新爬取id。

       æ•°æ®åº“并没有固定的选择，本质仍是将Python里的数据写到库里，可以选择关系型数据库MySQL等，也可以选择非关系型数据库MongoDB等；对于普通的结构化数据一般存在关系型数据库即可。sqlalchemy是一个成熟好用的数据库连接框架，其引擎可与Pandas配套使用，把数据处理和数据存储连接起来，一气呵成。

       æ•°æ®æµåˆ†æž

       å¯¹äºŽè¦æ‰¹é‡çˆ¬å–的网页，往上一层，看它的入口在哪里；这个是根据采集范围来确定入口，比如若只想爬一个地区的数据，那从该地区的主页切入即可；但若想爬全国数据，则应更往上一层，从全国的入口切入。一般的网站网页都以树状结构为主，找到切入点作为根节点一层层往里进入即可。

       å€¼å¾—注意的一点是，一般网站都不会直接把全量的数据做成列表给你一页页往下翻直到遍历完数据，比如链家上面很清楚地写着有套二手房，但是它只给页，每页个，如果直接这么切入只能访问个，远远低于真实数据量；因此先切片，再整合的数据思维可以获得更大的数据量。显然页是系统设定，只要超过个就只显示页，因此可以通过其他的筛选条件不断细分，只到筛选结果小于等于页就表示该条件下没有缺漏；最后把各种条件下的筛选结果集合在一起，就能够尽可能地还原真实数据量。

       æ˜Žç¡®äº†å¤§è§„模爬虫的数据流动机制，下一步就是针对单个网页进行解析，然后把这个模式复制到整体。对于单个网页，采用抓包工具可以查看它的请求方式，是get还是post，有没有提交表单，欲采集的数据是写入源代码里还是通过AJAX调用JSON数据。

       åŒæ ·çš„道理，不能只看一个页面，要观察多个页面，因为批量爬虫要弄清这些大量页面url以及参数的规律，以便可以自动构造；有的网站的url以及关键参数是加密的，这样就悲剧了，不能靠着明显的逻辑直接构造，这种情况下要批量爬虫，要么找到它加密的js代码，在爬虫代码上加入从明文到密码的加密过程；要么采用下文所述的模拟浏览器的方式。

       æ•°æ®é‡‡é›†

       ä¹‹å‰ç”¨R做爬虫，不要笑，R的确可以做爬虫工作；但在爬虫方面，Python显然优势更明显，受众更广，这得益于其成熟的爬虫框架，以及其他的在计算机系统上更好的性能。scrapy是一个成熟的爬虫框架，直接往里套用就好，比较适合新手学习；requests是一个比原生的urllib包更简洁强大的包，适合作定制化的爬虫功能。requests主要提供一个基本访问功能，把网页的源代码给download下来。一般而言，只要加上跟浏览器同样的Requests Headers参数，就可以正常访问，status_code为，并成功得到网页源代码；但是也有某些反爬虫较为严格的网站，这么直接访问会被禁止；或者说status为也不会返回正常的网页源码，而是要求写验证码的js脚本等。

       ä¸‹è½½åˆ°äº†æºç ä¹‹åŽï¼Œå¦‚果数据就在源码中，这种情况是最简单的，这就表示已经成功获取到了数据，剩下的无非就是数据提取、清洗、入库。但若网页上有，然而源代码里没有的，就表示数据写在其他地方，一般而言是通过AJAX异步加载JSON数据，从XHR中找即可找到；如果这样还找不到，那就需要去解析js脚本了。

       è§£æžå·¥å…·

       æºç ä¸‹è½½åŽï¼Œå°±æ˜¯è§£æžæ•°æ®äº†ï¼Œå¸¸ç”¨çš„有两种方法，一种是用BeautifulSoup对树状HTML进行解析，另一种是通过正则表达式从文本中抽取数据。

       BeautifulSoup比较简单，支持Xpath和CSSSelector两种途径，而且像Chrome这类浏览器一般都已经把各个结点的Xpath或者CSSSelector标记好了，直接复制即可。以CSSSelector为例，可以选择tag、id、class等多种方式进行定位选择，如果有id建议选id，因为根据HTML语法，一个id只能绑定一个标签。

       æ­£åˆ™è¡¨è¾¾å¼å¾ˆå¼ºå¤§ï¼Œä½†æž„造起来有点复杂，需要专门去学习。因为下载下来的源码格式就是字符串，所以正则表达式可以大显身手，而且处理速度很快。

       å¯¹äºŽHTML结构固定，即同样的字段处tag、id和class名称都相同，采用BeautifulSoup解析是一种简单高效的方案，但有的网站混乱，同样的数据在不同页面间HTML结构不同，这种情况下BeautifulSoup就不太好使；如果数据本身格式固定，则用正则表达式更方便。比如以下的例子，这两个都是深圳地区某个地方的经度，但一个页面的class是long，一个页面的class是longitude，根据class来选择就没办法同时满足2个，但只要注意到深圳地区的经度都是介于到之间的浮点数，就可以通过正则表达式"[3-4].\d+"来使两个都满足。

       æ•°æ®æ•´ç†

       ä¸€èˆ¬è€Œè¨€ï¼Œçˆ¬ä¸‹æ¥çš„原始数据都不是清洁的，所以在入库前要先整理；由于大部分都是字符串，所以主要也就是字符串的处理方式了。

       å­—符串自带的方法可以满足大部分简单的处理需求，比如strip可以去掉首尾不需要的字符或者换行符等，replace可以将指定部分替换成需要的部分，split可以在指定部分分割然后截取一部分。

       å¦‚果字符串处理的需求太复杂以致常规的字符串处理方法不好解决，那就要请出正则表达式这个大杀器。

       Pandas是Python中常用的数据处理模块，虽然作为一个从R转过来的人一直觉得这个模仿R的包实在是太难用了。Pandas不仅可以进行向量化处理、筛选、分组、计算，还能够整合成DataFrame，将采集的数据整合成一张表，呈现最终的存储效果。

       å†™å…¥æ•°æ®åº“

       å¦‚果只是中小规模的爬虫，可以把最后的爬虫结果汇合成一张表，最后导出成一张表格以便后续使用；但对于表数量多、单张表容量大的大规模爬虫，再导出成一堆零散的表就不合适了，肯定还是要放在数据库中，既方便存储，也方便进一步整理。

       å†™å…¥æ•°æ®åº“有两种方法，一种是通过Pandas的DataFrame自带的to_sql方法，好处是自动建表，对于对表结构没有严格要求的情况下可以采用这种方式，不过值得一提的是，如果是多行的DataFrame可以直接插入不加索引，但若只有一行就要加索引否则报错，虽然这个认为不太合理；另一种是利用数据库引擎来执行SQL语句，这种情况下要先自己建表，虽然多了一步，但是表结构完全是自己控制之下。Pandas与SQL都可以用来建表、整理数据，结合起来使用效率更高。

Python爬虫入门：Scrapy框架—Spider类介绍

       Spider是源码什么？它是一个Scrapy框架提供的基本类，其他类如CrawlSpider等都需要从Spider类中继承。何下Spider主要用于定义如何抓取某个网站，源码包括执行抓取操作和从网页中提取结构化数据。何下Scrapy爬取数据的源码过程大致包括以下步骤：Spider入口方法（start_requests()）请求start_urls列表中的url，返回Request对象（默认回调为parse方法）。何下菜谱网站系统源码下载器获取Response后，源码回调函数解析Response，何下返回字典、源码Item或Request对象，何下可能还包括新的源码Request回调。解析数据可以使用Scrapy自带的何下Selector工具或第三方库如lxml、BeautifulSoup等。源码最后，何下数据（字典、源码Item）被保存。

       Scrapy.Spider类包含以下常用属性：name（字符串，标识每个Spider的唯一名称），start_url（包含初始请求页面url的刷钻盗号源码列表），custom_settings（字典，用于覆盖全局配置），allowed_domains（允许爬取的网站域名列表），crawler（访问Scrapy组件的Crawler对象），settings（包含Spider运行配置的Settings对象），logger（记录事件日志的Logger对象）。

       Spider类的常用方法有：start_requests（入口方法，请求start_url列表中的url），parse（默认回调，opc服务器源码处理下载响应，解析网页数据生成item或新的请求）。对于自定义的Spider，start_requests和parse方法需要重写以实现特定抓取逻辑。

       以《披荆斩棘的哥哥》评论爬取为例，通过分析网页源代码，发现评论数据通过异步加载，需要抓取特定请求网址（如comment.mgtv.com/v4/com...）以获取评论信息。在创建项目、php7 源码下载生成爬虫类（如MgtvCrawlSpider）后，需要重写start_requests和parse方法，解析JSON数据并保存为Item，进一步处理数据入库。

       在Scrapy项目中，设置相关配置项（如启用爬虫）后，通过命令行或IDE（如PyCharm）运行爬虫程序。最终，爬取结果会以JSON形式保存或存储至数据库中。three.js源码注释

       为帮助初学者和Python爱好者，推荐一系列Python爬虫教程视频，覆盖从入门到进阶的各个阶段。学习后，不仅能够掌握爬虫技术，还能在实践中提升解决问题的能力，实现个人项目或职业发展的目标。

       祝大家在学习Python爬虫的过程中取得显著进步，祝你学习顺利，好运连连！

[scrapy]scrapy-redis快速上手/scrapy爬虫分布式改造

       本篇文章旨在快速上手使用scrapy-redis将Scrapy爬虫改造为分布式安装。首先，确保已安装所需python库和数据库，注意版本问题，避免过低。

       在配置redis时，修改scrapy项目中的setting.py文件，添加代码以适应分布式需求。对于item pipeline，您可以按照原有逻辑存储数据，或选择先使用redis存储，之后统一转移，例如直接存入mysql。

       修改spiders目录下的爬虫文件，将类继承改为Redisspider。若需让slave直接将数据存储至master数据库，别忘了调整slave的数据库连接设置。

       启动分布式爬虫，通过命令scrapy crawl xxxxx启动master，crawl xxxxx启动slave。提供了一个demo源码供参考和修改使用，代码链接：github.com/qqxx/scr...-demo。在遇到问题时，欢迎留言提问或通过邮箱qqxx@gmail.com寻求帮助。

       参考资源：cnblogs.com/zjl6/p/...