Day064爬虫（六）

二十七、Splash 的使用

1. Splash介绍

Splash是一个JavaScript渲染服务，是一个带有HTTP API的轻量级浏览器，同时它对接了Python中的Twisted和QT库。利用它，我们同样可以实现动态渲染页面的抓取，（类似于前面学的 Selenium的功能）

2. 安装

2.1 安装docker

Daoker 的下载地址：http://get.daocloud.io/

2.2 拉取镜像

docker pull scrapinghub/splash

2.3 用docker运行scrapinghub/splash

docker run -p 8050:8050 scrapinghub/splash

2.4 查看效果

我们在8050端口上运行了Splash服务，打开 http://192.168.99.100:8050/即可看到其Web页面

3 Splash对象属性

上图中main()方法的第一个参数是splash，这个对象非常重要，它类似于Selenium中的WebDriver对象

3.1 images_enabled

设置图片是否加载，默认情况下是加载的。禁用该属性后，可以节省网络流量并提高网页加载速度 注意的是，禁用图片加载可能会影响JavaScript渲染。因为禁用图片之后，它的外层DOM节点的高度会受影响，进而影响DOM节点的位置 因此，如果JavaScript对图片节点有操作的话，其执行就会受到影响 function main(splash, args) splash.images_enabled = false splash:go('https://www.baidu.com') return {html=splash:html()} end

3.2 plugins_enabled

可以控制浏览器插件（如Flash插件）是否开启 默认情况下，此属性是false，表示不开启 splash.plugins_enabled = true/false

3.3 scroll_position

控制页面上下或左右滚动 splash.scroll_position = {x=100, y=200}

4. Splash对象的方法

4.1 go()

该方法用来请求某个链接，而且它可以模拟GET和POST请求，同时支持传入请求头、表单等数据 ok, reason = splash:go{url, baseurl=nil, headers=nil, http_method="GET", body=nil, formdata=nil} 返回结果是结果ok和原因reason 如果ok为空，代表网页加载出现了错误，此时reason变量中包含了错误的原因

参数含义url请求的URLbaseurl可选参数，默认为空，表示资源加载相对路径headers可选参数，默认为空，表示请求头http_method可选参数，默认为GET，同时支持POSTbody可选参数，默认为空，发POST请求时的表单数据，使用的Content-type为application/jsonformdata可选参数，默认为空，POST的时候的表单数据，使用的Content-type为application/x-www-form-urlencoded

splash:go{"http://www.sxt.cn", http_method="POST", body="name=17703181473"}

4.2 wait()

控制页面的等待时间 splash:wait{time, cancel_on_redirect=false, cancel_on_error=true}

参数含义time等待的秒数cancel_on_redirect可选参数，默认为false，表示如果发生了重定向就停止等待，并返回重定向结果cancel_on_error可选参数，默认为false，表示如果发生了加载错误，就停止等待

function main(splash) splash:go("https://www.taobao.com") splash:wait(2) return {html=splash:html()} end

4.3 jsfunc()

直接调用JavaScript定义的方法，但是所调用的方法需要用双中括号包围，这相当于实现了JavaScript方法到Lua脚本的转换 function main(splash, args) splash:go("http://www.sxt.cn") local scroll_to = splash:jsfunc("window.scrollTo") scroll_to(0, 300) return {png=splash:png()} end

4.4 evaljs()与 runjs()

evaljs() 以执行JavaScript代码并返回最后一条JavaScript语句的返回结果runjs() 以执行JavaScript代码，它与evaljs()的功能类似，但是更偏向于执行某些动作或声明某些方法 function main(splash, args) splash:go("https://www.baidu.com") splash:runjs("foo = function() { return 'sxt' }") local result = splash:evaljs("foo()") return result end

4.5 html()

获取网页的源代码 function main(splash, args) splash:go("https://www.bjsxt.com") return splash:html() end

4.6 png()

获取PNG格式的网页截图 function main(splash, args) splash:go("https://www.bjsxt.com") return splash:png() end

4.7 har()

获取页面加载过程描述 function main(splash, args) splash:go("https://www.bjsxt.com") return splash:har() end

4.8 url()

获取当前正在访问的URL function main(splash, args) splash:go("https://www.bjsxt.com") return splash:url() end

4.9 get_cookies()

获取当前页面的Cookies function main(splash, args) splash:go("https://www.bjsxt.com") return splash:get_cookies() end

4.10 add_cookie()

当前页面添加Cookie cookies = splash:add_cookie{name, value, path=nil, domain=nil, expires=nil, httpOnly=nil, secure=nil} function main(splash) splash:add_cookie{"sessionid", "123456abcdef", "/", domain="http://bjsxt.com"} splash:go("http://bjsxt.com/") return splash:html() end

4.11 clear_cookies()

可以清除所有的Cookies function main(splash) splash:go("https://www.bjsxt.com/") splash:clear_cookies() return splash:get_cookies() end

4.12 set_user_agent()

设置浏览器的User-Agent function main(splash) splash:set_user_agent('Splash') splash:go("http://httpbin.org/get") return splash:html() end

4.13 set_custom_headers()

设置请求头 function main(splash) splash:set_custom_headers({ ["User-Agent"] = "Splash", ["Site"] = "Splash", }) splash:go("http://httpbin.org/get") return splash:html() end

4.14 select()

选中符合条件的第一个节点 如果有多个节点符合条件，则只会返回一个 其参数是CSS选择器 function main(splash) splash:go("https://www.baidu.com/") input = splash:select("#kw") splash:wait(3) return splash:png() end

4.15 send_text()

填写文本 function main(splash) splash:go("https://www.baidu.com/") input = splash:select("#kw") input:send_text('Splash') splash:wait(3) return splash:png() end

4.16 mouse_click()

模拟鼠标点击操作 function main(splash) splash:go("https://www.baidu.com/") input = splash:select("#kw") input:send_text('Splash') submit = splash:select('#su') submit:mouse_click() splash:wait(3) return splash:png() end

4.17 代理Ip

function main(splash) splash:on_request(function(request) request:set_proxy{ 'host':'61.138.33.20', 'port':808, 'username':'uanme', 'password':'passwrod' } end) -- 设置请求头 splash:set_user_agent("Mozilla/5.0") splash:go("https://httpbin.org/get") return splash:html() end

5 Splash与Python结合

5.1 render.html

此接口用于获取JavaScript渲染的页面的HTML代码，接口地址就是Splash的运行地址加此接口名称，例如 http://192.168.99.100:8050/render.html import requests url = 'http://192.168.99.100:8050/render.html?url=https://www.bjsxt.com&wait=3' response = requests.get(url) print(response.text)

5.2 render.png

此接口可以获取网页截图 import requests url = 'http://192.168.99.100:8050/render.png?url=https://www.jd.com&wait=5&width=1000&height=700' response = requests.get(url) with open('taobao.png', 'wb') as f: f.write(response.content)

5.3 execute

最为强大的接口。前面说了很多Splash Lua脚本的操作，用此接口便可实现与Lua脚本的对接 import requests from urllib.parse import quote lua = ''' function main(splash) return 'hello' end ''' url = 'http://192.168.99.100:8050/execute?lua_source=' + quote(lua) response = requests.get(url) print(response.text)

二十八、Scrapy 框架-爬取JS生成的动态页面

问题

有的页面的很多部分都是用JS生成的，而对于用scrapy爬虫来说就是一个很大的问题，因为scrapy没有JS engine，所以爬取的都是静态页面，对于JS生成的动态页面都无法获得

官网 http:// splash.readthedocs.io/e n/stable/

解决方案

利用第三方中间件来提供JS渲染服务： scrapy-splash 等利用webkit或者基于webkit库 Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python实现的，同时使用Twisted和QT。Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力

安装

pip安装scrapy-splash库 pip install scrapy-splash scrapy-splash使用的是Splash HTTP API， 所以需要一个splash instance，一般采用docker运行splash，所以需要安装docker安装docker, 安装好后运行docker拉取镜像 docker pull scrapinghub/splash 用docker运行scrapinghub/splash docker run -p 8050:8050 scrapinghub/splash 配置splash服务（以下操作全部在settings.py）: 使用splash解析，要在配置文件中设置splash服务器地址：

SPLASH_URL = 'http://192.168.99.100:8050/'

将splash middleware添加到DOWNLOADER_MIDDLEWARE中

DOWNLOADER_MIDDLEWARES = { 'scrapy_splash.SplashCookiesMiddleware': 723, 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, }

Enable SplashDeduplicateArgsMiddleware

SPIDER_MIDDLEWARES = { 'scrapy_splash.SplashDeduplicateArgsMiddleware': 100 } 这个中间件需要支持cache_args功能; 它允许通过不在磁盘请求队列中多次存储重复的Splash参数来节省磁盘空间。如果使用Splash 2.1+，则中间件也可以通过不将这些重复的参数多次发送到Splash服务器来节省网络流量

配置消息队列所使用的过滤类

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'

配置消息队列需要使用的类

HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

样例

import scrapy from scrapy_splash import SplashRequest class DoubanSpider(scrapy.Spider): name = 'douban' allowed_domains = ['douban.com'] def start_requests(self): yield SplashRequest('https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90', args={'wait': 0.5}) def parse(self, response): print(response.text)

二十九、Docker Toolbox 安装

暂无笔记

三十、 Scrapy 框架-分布式

1. 介绍scrapy-redis框架

scrapy-redis

一个三方的基于redis的分布式爬虫框架，配合scrapy使用，让爬虫具有了分布式爬取的功能。

github地址： https://github.com/darkrho/scrapy-redis

2. 分布式原理

　scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave

我们知道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了

我们在master上搭建一个redis数据库`（注意这个数据库只用作url的存储)，并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库

并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上

好处

程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情

3.分布式爬虫的实现

使用三台机器，一台是win10，两台是centos6，分别在两台机器上部署scrapy来进行分布式抓取一个网站win10的ip地址为192.168.31.245，用来作为redis的master端，centos的机器作为slavemaster的爬虫运行时会把提取到的url封装成request放到redis中的数据库：“dmoz:requests”，并且从该数据库中提取request后下载网页，再把网页的内容存放到redis的另一个数据库中“dmoz:items”slave从master的redis中取出待抓取的request，下载完网页之后就把网页的内容发送回master的redis重复上面的3和4，直到master的redis中的“dmoz:requests”数据库为空，再把master的redis中的“dmoz:items”数据库写入到mongodb中master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹（使用哈希函数将url运算后的结果），是防止重复抓取的

4. scrapy-redis框架的安装

pip install scrapy-redis

5. 部署scrapy-redis

5.1 slave端

在windows上的settings.py文件的最后增加如下一行 REDIS_HOST = 'localhost' #master IP REDIS_PORT = 6379

配置好了远程的redis地址后启动两个爬虫（启动爬虫没有顺序限制）

6 给爬虫增加配置信息

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" SCHEDULER = "scrapy_redis.scheduler.Scheduler" SCHEDULER_PERSIST = True #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue" #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue" #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack" ITEM_PIPELINES = { 'example.pipelines.ExamplePipeline': 300, 'scrapy_redis.pipelines.RedisPipeline': 400, }

7 运行程序

7.1 运行slave

scrapy runspider 文件名.py

开起没有先后顺序

7.2 运行master

lpush (redis_key) url #括号不用写

说明

这个命令是在redis-cli中运行redis_key 是 spider.py文件中的redis_key的值url 开始爬取地址，不加双引号

8 数据导入到mongodb中

等到爬虫结束后,如果要把数据存储到mongodb中，就应该修改master端process_items.py文件，如下

import redis import pymongo def main(): r = redis.Redis(host='192.168.31.245',port=6379,db=0) client = pymongo.MongoClient(host='localhost', port=27017) db = client.dmoz sheet = db.sheet while True: source, data = r.blpop(["dmoz:items"]) item = json.loads(data) sheet.insert(item) if __name__ == '__main__': main()

9 数据导入到MySQL中

等到爬虫结束后,如果要把数据存储到mongodb中，就应该修改master端process_items.py文件，如下

import redis import pymysql import json def process_item(): r_client = redis.Redis(host="127.0.0.1",port=6379,db =0) m_client = pymysql.connect(host="127.0.0.1",port=3306,user="root",passowrd="123456",db="lianjia") source,data =r_client.blpop("lianjia:item") item = json.loads(data) cursor = m_client.cursor() values = [] cursor.execute(sql,values)

三十一、Scrapy-Redis 其他

setting文件配置

#启用Redis调度存储请求队列 SCHEDULER = "scrapy_redis.scheduler.Scheduler" #确保所有的爬虫通过Redis去重 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" #默认请求序列化使用的是pickle 但是我们可以更改为其他类似的。PS：这玩意儿2.X的可以用。3.X的不能用 #SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" #不清除Redis队列、这样可以暂停/恢复 爬取 #SCHEDULER_PERSIST = True #使用优先级调度请求队列 （默认使用） #SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue' #可选用的其它队列 #SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue' #SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue' #最大空闲时间防止分布式爬虫因为等待而关闭 #这只有当上面设置的队列类是SpiderQueue或SpiderStack时才有效 #并且当您的蜘蛛首次启动时，也可能会阻止同一时间启动（由于队列为空） #SCHEDULER_IDLE_BEFORE_CLOSE = 10 #将清除的项目在redis进行处理 ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 300 } #序列化项目管道作为redis Key存储 #REDIS_ITEMS_KEY = '%(spider)s:items' #默认使用ScrapyJSONEncoder进行项目序列化 #You can use any importable path to a callable object. #REDIS_ITEMS_SERIALIZER = 'json.dumps' #指定连接到redis时使用的端口和地址（可选） #REDIS_HOST = 'localhost' #REDIS_PORT = 6379 #指定用于连接redis的URL（可选） #如果设置此项，则此项优先级高于设置的REDIS_HOST 和 REDIS_PORT #REDIS_URL = 'redis://user:pass@hostname:9001' #自定义的redis参数（连接超时之类的） #REDIS_PARAMS = {} #自定义redis客户端类 #REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' #如果为True，则使用redis的'spop'进行操作。 #如果需要避免起始网址列表出现重复，这个选项非常有用。开启此选项urls必须通过sadd添加，否则会出现类型错误。 #REDIS_START_URLS_AS_SET = False #RedisSpider和RedisCrawlSpider默认 start_usls 键 #REDIS_START_URLS_KEY = '%(name)s:start_urls' #设置redis使用utf-8之外的编码 #REDIS_ENCODING = 'latin1'

三十二、Scrapyd的安装及使用

Scrapyd的安装及使用

1. 安装scrapyd

pip install scrapyd

2. 安装setuptools

为什么要安装这个工具？

因为部署的应用需要打包成*.egg才能运行

官网地址：https://pypi.python.org/pypi/setuptools下载

pip install setuptools-38.5.2-py2.py3-none-any

3. 部署工程

3.1 创建项目

工程下会有一个叫scrapy.cfg的文件，文件的内容如下： [settings] default = my_spider.settings [deploy:demo] # demo是指这个deploy的名称，自己命名，可以多个。（后面有用到） #url = http://localhost:6800/ project = my_spider # 工程的名称

3.2 启动scrapyd

在本工程下命令行下启动scrapyd

注意： 如果不先启动scrapyd就会无法部署工程

3.3 部署项目

通过scrapyd-deploy部署，要求装一个scrapyd-client pip install scrapyd-client

3.4 配置scrapyd-deploy

在 %python_home%\Scripts下增加一个scrapyd-deploy.bat文件，内容如下：

@echo off "%python_home%\python.exe" "%python_home%\Scripts\scrapyd-deploy" %1 %2 %3 %4 %5 %6 %7 %8 %9

3.5 使用scrapyd-deploy

scrapy-deploy demo #demo就是scrapy.cfg中的名字

4 运行Spider

curl http://localhost:6800/schedule.json -d project=项目名 -d spider=爬虫名

5 查看效果

在浏览器输入localhost:6800