實操 | 從0到1教你用Python來爬取整站天氣網
Scrapy
Scrapy是Python開發的一個快速、高層次的螢幕抓取和web抓取框架,用於抓取web站點並從頁面中提取結構化的資料。一、安裝scrapy
安裝Twisted
Twisted:為 Python 提供的基於事件驅動的網路引擎包。
在下面網址安裝Twisted
安裝scrapy
cmd輸入
pip install scrapy
安裝完畢,cmd裡輸入scrapy出現安裝成功。
二、瞭解scrapy
Scrapy的元件
引擎,用來處理整個系統的資料流處理,觸發事務。
排程器,用來接受引擎發過來的請求,壓入佇列中,並在引擎再次請求的時候返回。
下載器,用於下載網頁內容,並將網頁內容返回給蜘蛛。
蜘蛛,蜘蛛是主要幹活的,用它來制訂特定域名或網頁的解析規則。
專案管道,負責處理有蜘蛛從網頁中抽取的專案,主要任務是清晰、驗證和儲存資料。當頁面被蜘蛛解析後,將被髮送到專案管道,並經過幾個特定的次序處理資料。
下載器中介軟體,位於Scrapy引擎和下載器之間的鉤子框架,主要是處理Scrapy引擎與下載器之間的請求及響應。
蜘蛛中介軟體,介於Scrapy引擎和蜘蛛之間的鉤子框架,主要工作是處理蜘蛛的響應輸入和請求輸出。
排程中介軟體,介於Scrapy引擎和排程之間的中介軟體,從Scrapy引擎傳送到排程的請求和響應。
其處理流程為:
引擎開啟一個域名時,蜘蛛處理這個域名,並讓蜘蛛獲取第一個爬取的URL。
引擎從蜘蛛那獲取第一個需要爬取的URL,然後作為請求在排程中進行排程。
引擎從排程那獲取接下來進行爬取的頁面。
排程將下一個爬取的URL返回給引擎,引擎將他們通過下載中介軟體傳送到下載器。
當網頁被下載器下載完成以後,響應內容通過下載中介軟體被髮送到引擎。
引擎收到下載器的響應並將它通過蜘蛛中介軟體傳送到蜘蛛進行處理。
蜘蛛處理響應並返回爬取到的專案,然後給引擎傳送新的請求。
引擎將抓取到的專案專案管道,並向排程傳送請求。
系統重複第二部後面的操作,直到排程中沒有請求。
三、專案分析
爬取天氣網城市的資訊 url : https://www.aqistudy.cn/historydata/四、新建專案
新建資料夾命令為天氣網爬蟲
cd到根目錄,開啟cmd,執行
scrapy startproject weather_spider
建立spider
scrapy genspider weather www.aqistudy.cn/historydata
這裡的weather是spider的名字
建立的路徑如下:
五、程式碼編寫
對於scrapy,第一步,必須編寫item.py,明確爬取的物件item.py
對於爬取必須偽裝好UA,在setting.py中定義MY_USER_AGENT
來存放UA,注意在settings中命名必須大寫
settings.py
MY_USER_AGENT = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)","Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)","Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)","Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML,like Gecko,Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)","Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML,Safari/419.3) Arora/0.6","Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0","Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5","Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML,like Gecko) Chrome/17.0.963.56 Safari/535.11","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML,like Gecko) Chrome/19.0.1036.7 Safari/535.20","Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML,like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML,like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)","Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML,like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML,like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5","Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre","Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML,like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/58.0.3029.110 Safari/537.36",]複製程式碼
在定義好UA後,在middlewares.py中建立RandomUserAgentMiddleware
類
middlewares.py
注意要在settings.py中啟用,必須是900,來去掉scrapy本身的UA
setting.py
開始編寫最重要的spider.py,推薦使用scrapy.shell來一步一步除錯
先拿到所有的城市
weather.py
def parse(self,response): city_urls = response.xpath('//div[@class="all"]/div[@class="bottom"]//li/a/@href').extract()[16:17] city_names = response.xpath('//div[@class="all"]/div[@class="bottom"]//li/a/text()').extract()[16:17] self.logger.info('正在爬去{}城市url'.format(city_names[0])) for city_url,city_name in zip(city_urls,city_names): # 用的follow快捷方式,可以自動拼接url yield response.follow(url=city_url,meta={'city': city_name},callback=self.parse_month)複製程式碼
這時就是定義parse_month函式,首先分析月份的詳情頁,拿到月份的url
weather.py
def parse_month(self,response): """ 解析月份的url :param response: :return: """ city_name = response.meta['city'] self.logger.info('正在爬取{}城市的月份url'.format(city_name[0])) # 由於爬取的資訊太大了,所有先爬取前5個 month_urls = response.xpath('//ul[@class="unstyled1"]/li/a/@href').extract()[0:5] for month_url in month_urls: yield response.follow(url=month_url,meta={'city': city_name,'selenium': True},callback=self.parse_day_data)複製程式碼
在將日的詳細頁的資訊通過xpah來取出WeatherSpiderDownloaderMiddleware
下載中介軟體中的process_request函式方法
middlewares.py
import time
import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
class WeatherSpiderDownloaderMiddleware(object):
def process_request(self,request,spider):
if request.meta.get('selenium'):
# 為了讓瀏覽器能夠無介面的工作
chrome_options = Options()
# 設定chrome瀏覽器無介面模式
chrome_options.add_argument('--headless')
driver = webdriver.Chrome(chrome_options=chrome_options)
# 用瀏覽器去訪問這個地址
driver.get(request.url)
time.sleep(1.5) # 因為瀏覽器需要載入渲染
html = driver.page_source
driver.quit()
return scrapy.http.HtmlResponse(url=request.url,body=html,encoding='utf-8',request=request)
return None複製程式碼
啟用WeatherSpiderDownloaderMiddleware
最後編寫weather.py中的剩下程式碼
六、執行專案
一定要注意專案的根目錄執行命令,可以通過scrapy list
檢視是否存在專案
scrapy crawl weather -o spider.json
scrapy crawl weather -o spider..jl
scrapy crawl weather -o spider..csv
scrapy crawl weather -o spider..xml
FEED_EXPORT_ENCODING = 'utf-8'
七、入庫操作
這裡入的庫是Mongodb,在settings.py中配置對於入門主要處理的是pipelines中
pipelines.py
在settings中啟用pipelines
效果如下