Python爬虫【四】Scrapy+Cookies池抓取新浪微博

  • Z时代
  • 2024-01-10
  • 分类：综合

python

1.设置ROBOTSTXT_OBEY，由true变为false
2.设置DEFAULT_REQUEST_HEADERS，将其改为request headers
3.根据请求链接，发出第一个请求，设置一个start_request方法，并在方法中定义相关的配置,比如在本例中设置搜索的关键字keyword
4.接下来定义一个链接，也就是start_url，本例中改为search_url,其中把base_url定义为该类的全局变量，后面的参数用于翻页设置等
5.根据网页源码中的Form Data，定义一些其他的要求，比如本例中的最大页码数
6.在start_requests方法中，构造请求url的可变参数部分，search_url和keyword部分，用formate()传入
7.因为最大页数为100，接下来需要构造100个请求，利用for循环，page从1-100进行遍历
8.在for循环中把Form Data传过去，mp就是max_page，把mp和page都转换成字符串的形式
9.生成post请求，这里用FormRequest来构造,第一个参数就是构造的url，回调函数是网页解析方法parse_index函数,formdata直接赋值为data
10.借助cookie池，从中随机取出一个cookie赋值给request，所以接下来在middleware里面定义一个中间件，定义一个CookiesMiddleware类
11.在类中改写请求，定义一个process_request方法，在对request进行改写，先要拿到cookies
12.在类中定义一个方法_get_random_cookies用来随机获取一个cookies
13.在_get_random_cookies方法中，用request库的get请求，传入url，这个url是cookie池的微博random的url，请求一次即可获取一个cookies值，http://127.0.0.1/weibo/random
14.然后判断response的返回状态码==200则成功，然后就把网页内容用json解析，
15.获取cookie只需在process_request中调用_get_random_cookies方法，如果获取到了cookie，就把request.cookies正常改写。
16.在process_request中用logger,然后用json的dumps输出成字符串
17.把cookie池的微博random的url配置成可变参数，实现结构化，首先在CookiesMiddleware中定义一个类方法from_crawler，实现把配置的url配置到全局的settings里面
18.利用from_crawler中的crawler对象获取settings里面的相关信息crawler.settings.get(\'COOKIES_POOL_URL\')，然后在settings里面设置COOKIES_POOL_URL = \'http://127.0.0.1/weibo/random\'
19.接下来在__init__方法中接收cookies_pool_url，并把它设置为一个全局的变量，request的get方法也可以用全局的cookies_pool_url代替
20.改写之前cookies的开关，改写settings中的DOWNLOADER_MIDDLEWARES，改成我们设置的名字
21.改写parse_index方法，进行网页索引，首先抓取每篇微博，微博最外面的条目可以用id来识别，用contains，第一个参数传入id，第二个参数传入id的值，也就是‘M_’，就可以判断class=c，并且id是以M_开头的
22.抓取下来的列表是个列表，然后对其进行遍历
23.在遍历里面要判断微博是原创还是转发的，判断class=cmt的为转发的,首先拿到原文评论的连接形式，这里用contains选择器，第一个参数是. 表示选择的是当前的文本  第二个参数是用文本特征截取
24.如果是原创微博，就直接获取评论的超链接.这样就分了两种情况对详情页进行了抽取,接下来对微博详情页进行解析yield
25.定义parse_detail方法，url可以通过response.url获得,用xpath获取正文内容content
26.用scrapy提供的调试工具parse进行调试 scrapy parse url -c parse_detail,在用join方法把获取的列表中的内容拼接起来。
27.在items文件里面设置一个item，对提取到的信息进行赋值.引入Item,Field，同时构造一些字段把它构造成item,这些字段就是从网页所提取的内容
28.在weibo.py中引入WeiboItem，并给他实例化一个对象，然后把field一个个赋值
29.在pipelines对拿到的数据进行改写清洗，例如时间改成合理的格式
30.定义mongopipeline，用来将数据存储到MongoDB数据库，首先定义一个初始化的init方法，传入两个参数，一个是数据库连接的uri，一个是数据库连接
31.from_crawler的类方法，这里通过crawler把类的两个参数拿到settings里面相关的配置，这样就可以把上面的两个参数放到settings里面
32.构建open_spider方法，在spider开启时默认调用里面的语句，这样可以在里面做一些相关的初始化操作，比如可以把MongoClient数据库的连接打开。接下来还需要创建MongoDB的连接数据库的连接信息
33.相应的构建一个close_spider方法
34.最重要的构建process_item方法，来对item进行操作，再对数据库进行一下插入操作，在WeiboItem里面定义一个属性叫table_name，再传到process_item方法
35.接下来调用update方法，第一个参数传入查询的字段，此处用id来查询，第二个参数需要传入item，把它转换成字典的形式，第三个参数传入True，意味着如果查询到该内容，就对其更新，如果没有查到就对其插入，即去重
36.在settings中的ITEM_PIPELINES开启调用,最后把mongo_uri和mongo_db这两个参数写入settings
37.针对微博的反爬虫，处理跳转到类似一些封号的页面，构建process_response方法

　　

以上是 Python爬虫【四】Scrapy+Cookies池抓取新浪微博 的全部内容， 来源链接： utcz.com/z/387211.html

回到顶部