python 爬蟲 9 (scrapy實例:翻頁爬取、爬個人頁、存入mysql、redis)

寫在前面

本篇筆記接【python 爬蟲
7】:https://blog.csdn.net/a__int__/article/details/104762424

1、新片場翻頁爬取

查看每頁連接
在這裏插入圖片描述
爬取連接
在這裏插入圖片描述

        pages = response.xpath('//div[@class="page"]/a/@href').extract()
        for page in pages:
            yield response.follow(page, self.parse)

我們發現最多隻能爬取到第22頁
在這裏插入圖片描述
爬22頁後面的內容需要登錄

1.1、模仿登錄

點擊登錄,抓取cookie
在這裏插入圖片描述
把這串證書複製下來
在這裏插入圖片描述
在這裏插入圖片描述
在這裏插入圖片描述
settings:
在這裏插入圖片描述
在這裏插入圖片描述
重新執行,發現抓取到100多條的時候就停止了。

1.2、訪問上限

找到PHPSESSID
在這裏插入圖片描述
查看這串字符,長度爲26
在這裏插入圖片描述
我們寫一個PHPSESSID生成器
在這裏插入圖片描述
在這裏插入圖片描述
現在就能成功訪問多條數據了
在這裏插入圖片描述

2、爬取個人詳情頁

在這裏插入圖片描述
把爬取視頻詳情頁 打開
在這裏插入圖片描述
打開詳情頁發現每個用戶詳情頁地址通過data-userid變化
在這裏插入圖片描述
在這裏插入圖片描述
在這裏插入圖片描述
爬取用戶id
在這裏插入圖片描述

        creator_list = response.xpath('//@data-userid').extract()
        creator_url = 'https://www.xinpianchang.com/u%s'
        print(creator_list)
        for creator in creator_list:
            request = response.follow(creator_url % creator, self.parse_composer)
            request.meta['cid'] = creator
            yield request

在這裏插入圖片描述

    def parse_composer(self, response):
        banner = response.xpath('//div[@class="banner-wrap"]/@style').get()
        composer = {}
        composer['banner'], = re.findall('background-image:url\((.+?)\)', banner)
        composer['name'] = response.xpath('//p[contains(@class,"creator-name")]/text()').get()

        yield composer

運行之後其他的都沒問題,visit_userid_10037339=1; 這個值會被迭代
在這裏插入圖片描述
訪問網頁發現,這個值在每次切換個人詳情頁的時候,就會被設置一次,每隔30幾秒會自動刪除,這30幾秒內連續訪問會迭代
在這裏插入圖片描述
退出登錄後訪問發現,訪問個人詳情頁是不需要登錄的,所以我們關掉這個頁面訪問時的cookie

在這裏插入圖片描述
再次抓取就沒有這個問題了
在這裏插入圖片描述

3、存入mysql

創建數據庫xpc: CREATE DATABASE xpc;
在這裏插入圖片描述
新建表composer
在這裏插入圖片描述

CREATE TABLE `composer`  (
 `cid` bigint(20) NOT NULL,
 `name` varchar(512)  DEFAULT NULL,
`banner` varchar(512)  DEFAULT NULL,
PRIMARY KEY (`cid`) USING BTREE
 ) ENGINE = InnoDB CHARSET = utf8mb4;

items.py


import scrapy
from scrapy import Field


class ComposerItem(scrapy.Item):
    """保存個人詳情頁信息"""
    table_name = 'composer'

    cid = Field()
    banner = Field()
    name = Field()

settings.py
在這裏插入圖片描述
pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import pymysql
import redis
from scrapy.exceptions import DropItem


class RedisPipeline(object):
    def open_spider(self, spider):
        self.r = redis.Redis(host='127.0.0.1')

    def process_item(self, item, spider):
        if self.r.sadd(spider.name, item['name']):
            return item
        # 如果添加name失敗就自動刪除item,並停止執行process_item
        raise DropItem


class MysqlPipeline(object):
    def open_spider(self, spider):
        self.conn = pymysql.connect(
            host="127.0.0.1",
            port=3306,
            db="xpc",
            user="root",
            password="root",
            charset="utf8",
        )
        self.cur = self.conn.cursor()

    def close_spider(self, spider):
        self.cur.close()
        self.conn.close()

    def process_item(self, item, spider):
        keys, values = zip(*item.items())
        sql = "insert into {} ({}) values ({})" \
              " ON DUPLICATE KEY UPDATE {};".format(
            item.table_name,
            ','.join(keys),
            ','.join(["'%s'"] * len(values)),
            ','.join(["{}='%s'".format(k) for k in keys])
        )
        sqlp = (sql % (values*2))
        self.cur.execute(sqlp)
        self.conn.commit()
        # 顯示sql語句
        print(self.cur._last_executed)
        return item

修改discovery.py

# -*- coding: utf-8 -*-
import json
import random
import re

import scrapy
from scrapy import Request
from xpc.items import ComposerItem

str = 'qazwsxedcrfvtgbyhnujmikolp1234567890'
cookies = dict(Authorization='F8FB7C7E1E8354A671E83548091E835A4181E83528E62CE43391')


def gen_sessionid():
    return ''.join(random.choices(str, k=26))


class DiscoverySpider(scrapy.Spider):
    name = 'discovery'
    allowed_domains = ['xinpianchang.com', 'openapi-vtom.vmovier.com']
    start_urls = ['https://www.xinpianchang.com/channel/index/sort-like?from=navigator']
    page_count = 0

    def parse(self, response):
        self.page_count += 1
        if self.page_count >= 100:
            cookies.update(PHPSESSID=gen_sessionid())
            self.page_count = 0

        pid_list = response.xpath('//@data-articleid').extract()
        url = "https://www.xinpianchang.com/a%s?from=ArticleList"
        for pid in pid_list:
            yield response.follow(url % pid, self.parse_post)
        pages = response.xpath('//div[@class="page"]/a/@href').extract()
        for page in pages:
            yield response.follow(page, self.parse, cookies=cookies)

    def parse_post(self, response):
        # post = {}
        # 這裏get()和extract_first()一樣
        # post['title'] = response.xpath('//div[@class="title-wrap"]/h3/text()').get()
        # categorys = response.xpath('//span[contains(@class,"cate")]//text()').extract()
        # post['category'] = ''.join([category.strip() for category in categorys])
        # post['created_at'] = response.xpath('//span[contains(@class,"update-time")]/i//text()').get()
        # post['play_counts'] = response.xpath('//i[contains(@class,"play-counts")]/@data-curplaycounts').get()
        # vid, = re.findall('vid: \"(\w+)\",', response.text)
        # video_url = 'https://openapi-vtom.vmovier.com/v3/video/%s?expand=resource&usage=xpc_web'
        # request = Request(video_url % vid, callback=self.parse_video)
        # request.meta['post'] = post
        # yield request

        creator_list = response.xpath('//@data-userid').extract()
        creator_url = 'https://www.xinpianchang.com/u%s'
        for creator in creator_list:
            request = response.follow(creator_url % creator, self.parse_composer)
            request.meta['cid'] = creator
            request.meta['dont_merge_cookies'] = True
            yield request

    # def parse_video(self, response):
    #     # post = response.meta['post']
    #     result = json.loads(response.text)
    #     if 'resource' in result['data']:
    #         post['video'] = result['data']['resource']['default']['url']
    #     else:
    #         d = result['data']['third']['data']
    #         post['video'] = d.get('iframe_url', d.get('swf', ''))
    #     yield post

    def parse_composer(self, response):
        banner = response.xpath('//div[@class="banner-wrap"]/@style').get()
        composer = ComposerItem()
        composer['cid'] = int(response.meta['cid'])
        banner, = re.findall('background-image:url\((.+?)\)', banner)
        composer['banner'] = banner.replace('\t', '').replace(' ', '')
        name = response.xpath('//p[contains(@class,"creator-name")]/text()').get()
        composer['name'] = name.replace('\t', '').replace(' ', '')

        yield composer

在這裏插入圖片描述

4、存入redis

settings.py
在這裏插入圖片描述

SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
REDIS_URL = 'redis://127.0.0.1:6379'

啓動redis
在這裏插入圖片描述
查看redis的key
在這裏插入圖片描述
安裝scrapy-redis:pip install scrapy-redis
在這裏插入圖片描述
啓動爬蟲
在這裏插入圖片描述
查看redis
在這裏插入圖片描述
在這裏插入圖片描述
查看discovery:dupefilter裏面存的內容: srandmember discovery:dupefilter
在這裏插入圖片描述
zrange discovery:requests 0 0 withscores
在這裏插入圖片描述

在ipython裏面解析字符在這裏插入圖片描述
分析這串數據,發現它是列表包含元組這樣的結構
在這裏插入圖片描述
用pickle進行二進制序列化
在這裏插入圖片描述
在這裏插入圖片描述

In [1]: import redis

In [2]: r = redis.Redis(host='127.0.0.1')

In [3]: m = r.zrange('discovery:requests',0,0,withscores=True)

In [7]: import pickle

In [9]: (a,b), = m

In [10]: pickle.loads(a)

將數據存入redis(一般不會把redis當數據庫用)

settings.py
在這裏插入圖片描述

‘scrapy_redis.pipelines.RedisPipeline’: 301,

運行爬蟲
在這裏插入圖片描述
查看redis
在這裏插入圖片描述

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章