爬虫(八)编写自己的pipeline/爬取360图片/爬取TB搜索数据(结合selenium)

朱雀 2022-05-22 00:44 185阅读 0赞

#### 如何编写你自己的item ####

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。

以下是item `pipeline`的一些典型应用：

1.  清理HTML数据
2.  验证爬取的数据(检查item包含某些字段)
3.  查重(并丢弃)
4.  将爬取结果保存到数据库中

编写你自己的item `pipeline`很简单，每个item `pipiline`组件是一个独立的Python类，同时必须实现以下方法:

`process_item(item, spider)`  
\- 每个item pipeline 组件都需要调用该方法, 这个方法必须返回一个 item (或任何继承类)对象, 或是抛出 DropItem异常, 被丢弃的item将不会被之后的pipeline组件所处理  
\- params: item(Item 对象) - 被爬取的item  
spider(Spider 对象) - 爬取该item的spider

此外, 也可以实现以下的方法

`open_spider(spider)`  
\- 当spider被开启的时候, 这个方法被调用.  
\- params: spider(`Spider`对象) - 被开启的spider

`close_spider(spider)`  
\- 当spider被关闭时, 这个方法被调用  
\- params: spider(`Spider`对象) - 被关闭的spider

class SaveToMongoPipeline(object):
        def __init__(self, mongo_url, db_name):
            self.mongo_url = mongo_url
            self.db_name = db_name
            self.client = None
            self.db = None
    
    # 被classmethod的修饰的类方法可以通过cls调用类的初始化方法, 什么时候需要crawler都可以写这个方法, 只要拿到crawler就可以拿到项目里面的所有的东西, 这种设计理念叫做依赖注入
        @classmethod
        def from_crawler(cls, crawler):
            return cls(crawler.settings.get('MONGO_URL'),
                       crawler.settings.get('MONGO_DB'))

————————————-以下为爬虫文件具体代码操作——————-

# 项目文件树如下: #

![这里写图片描述][70]

# 爬取360图片 #

*  在settings.文件中设置如下参数:

# 设置文件下载路径
    IMAGES_STORE = './resources'
    ITEM_PIPELINES = {
      'image360.pipelines.SaveImagePipeline': 300,
    }

*  items.py文件设置如下代码:

import scrapy
     class BeautyItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() tag = scrapy.Field() width = scrapy.Field() height = scrapy.Field() url = scrapy.Field()

*  image.py爬虫文件设置如下代码:

from json import loads
    from urllib.parse import urlencode
    
    import scrapy
    
    from image360.items import BeautyItem
    
    
    class ImageSpider(scrapy.Spider):
        name = 'image'
        allowed_domains = ['image.so.com']
        # start_urls = ['http://image.so.com/'] 效果被下面的start_requests函数代替
    
        # 该方法是重写父类的方法, 该函数主要用来设置开始的请求
        def start_requests(self):
            # 定义基础的url
            base_url = 'http://image.so.com/zj?'
            # 构建请求参数的字典
            param = {
       'ch': 'beauty', 'listtype': 'new','temp': 1}
            # 构建翻页参数
            for page in range(10):
                # 当sn的值为30的倍数的时候, 页面自动进入下一页
                param['sn'] = page * 30
                # 拼接处完整的url, urlencode(param)可以将字典转换为标准的请求格式 如: ch=beauty&listtype=new&temp=1
                full_url = base_url + urlencode(param)
                # yield scrapy.Requst(url=url)方法会自动回调self.parser
                # 相当于 : yield scrapy.Request(url=full_url, callback=self.parse)
                yield scrapy.Request(url=full_url)
    
    
        def parse(self, response):
            model_dict = loads(response.text)
            for elem in model_dict['list']:
                item = BeautyItem()
                item['title'] = elem['group_title']
                item['tag'] = elem['tag']
                item['width'] = elem['cover_width']
                item['height'] = elem['cover_height']
                item['url'] = elem['qhimg_url']
                yield item

# 爬取淘宝搜索数据(结合selenium) #

*  settings.py文件代码设置如下:

MONGO_URL = 'mongodb://116.196.107.20:27017'
    MONGO_DB = 'image360'
    DOWNLOADER_MIDDLEWARES = {
       'image360.middlewares.TaobaoDownloaderMiddleware':544,
    }
    ITEM_PIPELINES = {
      'image360.pipelines.SaveToMongoPipeline':301,
    
    }

*  pipelines.py文件代码如下:

from pymongo import MongoClient
    from scrapy import Request
    
    class SaveToMongoPipeline(object):
        def __init__(self, mongo_url, db_name):
            self.mongo_url = mongo_url
            self.db_name = db_name
            self.client = None
            self.db = None
    
        def process_item(self, item, spider):
            coll = self.db['taobao']
            title = item['title']
            price = item['price']
            deal = item['deal']
            coll.insert_one({
                'title':title,
                'deal':deal,
                'price':price
            })
    
            return item
    
        def open_spider(self, spider):
            self.client = MongoClient(self.mongo_url)
            # 可以用[]来命名数据库和集合
            self.db = self.client[self.db_name]
    
    
        def close_spider(self, spider):
            self.client.close()
    
        @classmethod
        def from_crawler(cls, crawler):
            return cls(crawler.settings.get('MONGO_URL'),
                       crawler.settings.get('MONGO_DB'))

*  items.py文件中代码设置如下:

import scrapy
     class TobaoItem(scrapy.Item): title = scrapy.Field() price = scrapy.Field() deal = scrapy.Field()

*  在middlewares.py中添加如下中间件并在settings.py中进行注册

class TaobaoDownloaderMiddleware(object):
    
        def __init__(self, timeout=None):
            self.timeout = timeout
            # 将浏览器打开放在初始化方法里面,不会导致浏览器每次去调用方法都重新打开
            self.browser = webdriver.Chrome()
            self.browser.set_window_size(1000, 600)
            self.browser.set_page_load_timeout(self.timeout)
    
        def __del__(self):
            self.browser.close()
    
        def process_request(self, request, spider):
            # 处理请求, 用selenium获取动态内容
            try:
            # 注意:
            # 1. HtmlResponse对象是response对象的子类, 所以可以返回,
            # 2. 在这里只能返回 None, request, response, 和引发process_error
                self.browser.get(request.url)
                return HtmlResponse(url=request.url, body=self.browser.page_source, request=request, encoding='utf-8', status=200)
            except TimeoutError:
                return HtmlResponse(url=request.url, status=500, request=request)
    
        def process_response(self, request, response, spider):
    
            return response
    
        def process_exception(self, request, exception, spider):
            pass
    
        # 依赖注入
        @classmethod
        def from_crawler(cls, crawler):
            return cls(timeout=10)

*  在tobao.py爬虫文件中代码设置如下:

import re
    from io import StringIO
    from urllib.parse import urlencode
    
    
    import scrapy
    
    
    from image360.items import TobaoItem
    
    
    class TobaoSpider(scrapy.Spider):
        name = 'tobao'
        allowed_domains = ['www.taobao.com']
    
        def start_requests(self):
            base_url = 'https://s.taobao.com/search?'
            params = {}
            for keyword in ['ipad','iphone','小米手机']:
                params['q'] = keyword
                for page in range(10):
                    params['s'] = page * 44
                    full_url = base_url + urlencode(params)
                    yield scrapy.Request(url=full_url, callback=self.parse, dont_filter=True)
    
    
        def parse(self, response):  # 爬虫对数据进行解析以后返回一个item,会进入管道里面继续进行过滤, 或者进行持久化操作
    
            # 通过过滤上面start_requests的方法的中间件以后, 如果返回是的 response对象, 则返回到这里
            goods_list = response.xpath('//*[@id="mainsrp-itemlist"]/div/div/div[1]/div')
            for goods in goods_list:
                item = TobaoItem()
                data_title = goods.xpath('div[2]/div[2]/a[1]/text()').extract()
                item['price'] = goods.xpath('div[2]/div[1]/div[1]/strong/text()').extract_first()
                item['deal'] = goods.xpath('div[2]/div[1]/div[2]/text()').extract_first()
                title = StringIO()
                for data in data_title:
                    # 对数据进行遍历, 用正则表达式匹配其中的空格,替换成空字符串, 用StringIO(可变字符串)进行写入操作, 性能比用字符串拼接要好很多
                    title.write(re.sub('\s', '', data))
                item['title'] = title.getvalue()
                yield item

[70]: /images/20220522/a7fc584a552b4cc19a003cbc3efcfc1a.png