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。
目录
scrapy与selenium
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框架介绍的非常详尽。
Selenium简单来说就是一种用于测试Web应用程序的自动化工具。它可以模拟用户在浏览器中的各种操作,如点击、输入、选择、拖放等,以及对页面进行断言验证。在这里可以帮助我们获取到动态网页的数据。
准备工作
相关库以及chromedriver的安装
我们需要安装两个库,一个是selenium库,还有一个是scrapy库。
pip install selenium // 安装selenium库 pip install scrapy // 安装scrapy库
除此之外,还需要安装chromedriver.exe,如果电脑上没有谷歌浏览器就还需要安装谷歌浏览器。chromedriver.exe的安装可以看我的这篇文章python爬虫学习日志 使用selenium爬取动态网页数据
目标内容
获取某站目标视频的标题、播放量、发布日期、时长、点赞量、投币量、收藏量。
由于版权问题这里不能放出相应视频的图片,各位如有需要可以自行了解。
具体实现
准备工作完成之后就可以开始编写我们的代码啦~
创建项目
打开pycharm的终端或者cmd窗口,进入想要放置爬虫文件的目录,我这里是直接在pycharm的项目目录里创建的,然后输入以下命令
scrapy startproject bili //bili是自定义的爬虫项目名称
如果返回了以下信息,说明项目创建成功了。
然后我们就可以在pycharm左侧的文件栏看到我们创建的爬虫项目里的文件了。
创建之后,我们需要把下载的chromedriver.exe文件移至和scrapy.cfg同目录下,如图所示。
编写items.py文件
items.py文件是用来定义我们需要爬取的数据的,首先编辑它可以帮我们完成数据建模,之后按照items.py中的变量来匹配我们的数据就行了。
import scrapy class BiliItem(scrapy.Item): // define the fields for your item here like: // name = scrapy.Field() // 这是scrapy提供给我们建模的格式,按照这个来就行 title = scrapy.Field() //视频标题 play = scrapy.Field() // 播放量 dianzan = scrapy.Field() //点赞量 toubi = scrapy.Field() //投币量 shoucang = scrapy.Field() //收藏量 date = scrapy.Field() //发布日期 time = scrapy.Field() //视频时长
这样一来,我们的items.py就文件就算编写完成了。
编写middlewares.py文件
接下来编写middlewares.py文件,也就是中间件。
中间件包括两种中间件,一种是爬虫中间件,还有一种是下载器中间件,每种中间件都有自己对应的功能,这里不再展开讲,想要了解的同学可以自己去查找相关信息。在这次实战中我们只需要通过编写下载器中间件对接selenium实现获取动态网页的源码这一功能。
代码如下:
from scrapy import signals from selenium import webdriver from scrapy.http import HtmlResponse // 只需要修改下载器中间件,爬虫中间件不用管 class BiliDownloaderMiddleware: // 当下载器中间件开始工作时,自动打开一个浏览器 def __init__(self): self.driver = webdriver.Chrome() @classmethod def from_crawler(cls, crawler): # This method is used by Scrapy to create your spiders. s = cls() crawler.signals.connect(s.spider_opened, signal=signals.spider_opened) // 下面这一行需要手动添加,作用是调用关闭浏览器的函数 crawler.signals.connect(s.spider_closed, signal=signals.spider_closed) return s // 每当爬虫文件向目标网址发送一次请求都会调用这个函数,用处就是返回该网址的源码 def process_request(self, request, spider): self.driver.get(request.url) // 使用浏览器打开请求的URL body = self.driver.page_source // 获取网页HTML源码 return HtmlResponse(url=self.driver.current_url, body=body, encoding='utf-8', request=request) def process_response(self, request, response, spider): return response def process_exception(self, request, exception, spider): pass def spider_opened(self, spider): spider.logger.info("Spider opened: %s" % spider.name) // 该函数需要手动添加,作用是关闭浏览器 def spider_closed(self, spider): self.driver.close() spider.logger.info("Spider closed: %s" % spider.name)
编写爬虫文件
完成了中间件的编写之后就可以开始编写我们的爬虫文件了。爬虫文件需要我们手动创建。具体流程是在spiders目录下新建一个.py文件,文件名可以自拟。
创建之后,就可以编写爬虫文件了。代码如下
// 使用哪种解析库可以根据自己的习惯选择,只要能获得目标数据就行 import scrapy from bs4 import BeautifulSoup // 这里需要导入之前编写的items.py文件中的BiliItem类,[..]表示上一目录 from ..items import BiliItem import re from lxml import etree class bilibili(scrapy.Spider): // 类名自拟,但是一定要在括号里写scrapy.Spider表示继承父类 name = 'bilibili' // 爬虫名,自拟 allowed_domains = ['space.bilibili.com'] // 定义域名,相当于是给爬虫规定了爬取的范围 start_urls = ['https://space.bilibili.com/1629347259/video'] // 定义开始爬取的网页 page = 1 // 如果想要爬取多页数据,需要定义爬取初始的页数,这里是1 // 后续页数的网址,需要自己观察翻页后网址的变化得出规律 base_url = 'https://space.bilibili.com/1629347259/video?tid=0&page={}' // 重写父类方法,解析相应网页 def parse(self, response, **kwargs): // 这里的response是下载器中间件返回给爬虫的网页源码,对此进行解析即可获得想要的数据 // 以下内容都是根据相应的网页源码选择合适的方法进行数据的提取,可以根据自己的需求编写。 bs = BeautifulSoup(response.text, 'lxml') // tag_list是一个包括了很多个tag标签的列表,每个tag标签中都有视频的网址、标题、时长等数据 tag_list = bs.select('#submit-video-list > ul.clearfix.cube-list > li') // 遍历取出每个tag标签 for index, j in enumerate(tag_list): // 创建一个item实例,用于存储相应数据,它类似于字典 item = BilibiliItem() // 获得网址,但这个网址不完整 video_url = j.a['href'] // 获得视频标题文本 video_title = j.find('a', class_='title').text // 获得视频时长文本 video_time = j.find('span', class_="length").text // 使用正则表达式把获得到的不完整的网址修改为正确的网址,之后可以进入这些网址再获取其他数据 pattern = r'//' video_url = re.sub(pattern, 'https://', video_url) // 将标题和时长以键值对的形式写进item实例中。 item['title'] = video_title item['time'] = video_time // 这里需要用yield将相应数据提交给引擎,由引擎分配后续工作 // url=video_url表示会将视频的网址提交给引擎,引擎会把这个网址转交给中间件,中间件又会将相应源码提供给爬虫文件 // callback表示获取到相应源码后会将它交给爬虫文件中哪个函数进行处理 // meta={'item': item}的作用是把目前的item实例转移给下一个函数使用或编辑。 // dont_fillter=True表示不过滤重复的请求。 yield scrapy.Request(url=video_url, callback=self.parse_detail, meta={'item': item}, dont_filter=True) // 如果需要爬多页数据可以编写这一串代码,具体多少页可以根据自己的需求来 if self.page <= 3: self.page += 1 new_url = self.base_url.format(self.page) yield scrapy.Request(url=new_url, callback=self.parse) // 这里是定义对视频网址信息的获取的函数,思路与parse()函数类似 def parse_detail(self, response): html = etree.HTML(response.text) play = html.xpath('//*[@id="viewbox_report"]/div/div/span[1]/text()') date = html.xpath('//*[@id="viewbox_report"]/div/div/span[3]/span/span/text()') dianzan = html.xpath('//*[@id="arc_toolbar_report"]/div[1]/span[1]/span/text()') toubi = html.xpath('//*[@id="arc_toolbar_report"]/div[1]/span[2]/span/text()') shoucang = html.xpath('//*[@id="arc_toolbar_report"]/div[1]/span[3]/span/text()') item = response.meta['item'] item['play'] = play[0].strip() item['date'] = date[0].strip() item['dianzan'] = dianzan[0].strip() item['toubi'] = toubi[0].strip() item['shoucang'] = shoucang[0].strip() // 所有数据都写入item实例后就可以向引擎提交了,每个item包括了一个视频的相关数据,之后引擎会把item交给pipeline处理。 yield item
编写pipelines.py文件
爬虫文件的作用是将爬取到的数据暂时保存在内存中,如果想要将数据保存至本地或者数据库中就需要通过编写pipelines.py文件来实现了。
这里我选择的是保存为excel文件,需要用到openyxl库,代码如下:
import openpyxl class BiliPipeline: def __init__(self): print('开始写入') self.wb = openpyxl.Workbook() self.ws = self.wb.active # 获取活动表 self.ws.append(['视频标题', '视频播放量', '视频点赞量', '视频投币量', '视频收藏量', '视频发布日期', '视频时长']) # 添加表头 def process_item(self, item, spider): print(f'正在保存:{item["title"]}') line = [item['title'], item['play'], item['dianzan'], item['toubi'], item['shoucang'], item['date'], item['time']] self.ws.append(line) return item def close_spider(self, spider): self.wb.save('video.xlsx') self.wb.close() print('保存完毕')
编写setting.py文件
所有文件编写完成之后,我们还需要打开setting.py文件进行设置,确保所有功能能够正常进行。
以下是需要修改或取消注释的内容,没有写的默认即可。
// 不遵守robottxt协议,将True改为False ROBOTSTXT_OBEY = False // 在请求头中添加自己浏览器的UA信息 DEFAULT_REQUEST_HEADERS = { "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Accept-Language": "en", 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36 QIHU 360SE' } // 取消下载器中间件的注释 DOWNLOADER_MIDDLEWARES = { "bili.middlewares.BiliDownloaderMiddleware": 543, } // 取消item_pipelines的注释 ITEM_PIPELINES = { "bili.pipelines.BiliPipeline": 300, } // 设置一般日志不显示,只显示等级为警告以上的日志 LOG_LEVEL = "WARNING"
启动爬虫和查看数据
这样一来所有的代码都编写完成了,之后我们可以在爬虫项目的根目录下,通过pycharm新建一个start.py文件。
在该文件中,输入以下代码并执行:
from scrapy import cmdline cmdline.execute('scrapy crawl bili'.split(' '))
也可以通过cmd窗口进入爬虫项目根目录下输入以下指令:
scrapy crawl bili
都可以启动我们的爬虫,启动完成之后等待爬虫程序自然关闭,就可以在根目录下看到我们爬取到的video.xlsx文件了。
这样一来,本次的爬虫实战就圆满完成了。