實現一個完整的爬蟲
阿新 • • 發佈：2019-01-02
需要匯入的包
import random from random import randint import requests from fake_useragent import UserAgent #反爬蟲 偽裝請求頭 from retrying import retry #裝飾器 import hashlib #資訊摘要 md5 import queue #佇列 import re #正則表示式 from urllib import robotparser #解析網站robots.txt檔案 from urllib.parse import urlparse,urljoin,urldefrag #解析url from threading import Thread #多執行緒 from datetime import datetime import time import Mongo_cache
1.定義爬蟲的爬取深度
MAX_DEP = 2
2.有一些站點它在 robots.txt 檔案中設定了禁止流量該站點的代理使用者。既然目標站點有這樣的規矩，我們就要遵循它。
#解析robots.txt檔案,然後在在對需要下載的網頁進行判斷是否可以爬取。
def get_robots(url): """ 解析robots.txt檔案 :param url: :return: """ rp = robotparser.RobotFileParser() rp.set_url(urljoin(url,'robots.txt')) rp.read() return rp
3.儲存下載內容
#首先轉換為md5形式存進資料庫.然後得到下載連結的名字,寫入到download檔案
def save_url(html_content,url_str): """ 儲存下載內容 :param html_content: :param url_str: :return: """ md5 = hashlib.md5() md5.update(html_content) #file_path = "./download/" + md5.hexigest()+".html" file_path = "./download/" + gen_html_name(url_str)+".html" with open(file_path,"wb") as f: f.write(html_content)
4.根據路徑切割出html名字 urlparse模組主要用於解析url裡面的引數,對url按照一定的格式進行拼接或拆分
def gen_html_name(url_str):
"""
得到html的名字
:param url_str:
:return:
"""
path = urlparse(url_str).path
path_array = path.split('/')
return path_array[len(path_array) - 1]
5.抽取網頁中的其他連結 re.IGNORECASE 表示忽略大小寫.
def extractor_url_lists(html_content):
"""
抽取網頁中的其他連結
:param html_content:
:return:
"""
#^出現在[]裡面 表示非 ()裡面分組匹配 有用的資訊
url_regex = re.compile('<a[^>]+href=["\'](.*?)["\']',re.IGNORECASE)
return url_regex.findall(html_content)
6.python 有一個現成的隨機生成UA(user-agent)的第三方庫：fake-useragent
class CrawlerCommon(Thread):
"""
實現一個通用爬蟲,涵蓋基本的爬蟲功能及涉及一些反爬蟲技術
"""
def __init__(self,init_url):
# super(CrawlerCommon,self).__init__()
super().__init__()
__ua = UserAgent() #隨機User-Agent
self.seed_url = init_url #初始化爬取種子網址
self.crawler_queue = queue.Queue() # 先進先出 使用不同的佇列會造成BFS和DFS的效果
self.crawler_queue.put(init_url) #將種子網址放入佇列
self.visited = {init_url:0} #初始化爬蟲深度為0
self.rp = get_robots(init_url) #初始化robots解析器
self.headers = {'User-Agent':__ua.random} #生成一個隨機user-agent
self.link_regex = '/(lady|fashion)' # 抽取網址的過濾條件
self.throttle = Throttle(5.0) #下載限流器間隔為5秒
self.mcache = Mongo_cache.MongoCache() #初始化mongo-cache
self.time_sleep = 3
7.使用裝飾器進行重試下載類
@retry(stop_max_attempt_number=3)
def retry_download(self,url_str,data,method,proxies):
if method == "POST":
result = requests.get(url_str,data=data,headers=self.headers,proxies=proxies)
else:
result = requests.get(url_str,headers = self.headers,timeout=3,proxies=proxies)
assert result.status_code == 200 #此處為斷言,判斷狀態碼是否為200
return result.content
8.真正下載類
def download(self,url_str,data=None,method='GET',proxies={}):
print("download url is ::::::",url_str)
try:
result = self.retry_download(url_str,data,method,proxies)
except Exception as e:
print("異常",e)
result = None
return result
9.補全下載連結
def nomalize(self,url_str):
real_url,_ = urldefrag(url_str)
return urljoin(self.seed_url,real_url)
- 將結果存入資料庫,存入前檢查內容是否存在
def save_result(self,html_content,url_str):
if url_str not in self.mcache:
self.mcache[url_str] = html_content
else:
data_from_mongo = self.mcache[url_str]
#初始化md5演算法
md5_func_mongo = hashlib.md5()
md5_func_download = hashlib.md5()
#生成資料庫記錄的md5摘要
md5_func_mongo.update(data_from_mongo)
mongo_md5_str = md5_func_mongo.hexdigest()
#生成下載資料的md5摘要
md5_func_download.update(html_content)
download_md5_str = md5_func_download.hexdigest()
#對比下載結果是否和資料庫一樣
if download_md5_str != mongo_md5_str:
self.mcache[url_str] = html_content
11.進行爬取的主要方法
def run(self):
while not self.crawler_queue.empty():
url_str = self.crawler_queue.get()
# print('url_str is:::::',url_str)
#檢測robots.txt檔案規則
if self.rp.can_fetch(self.headers["User-Agent"],url_str):
self.throttle.wait_url(url_str)
random_oper = randint(0,5)
if random_oper ==1:
time.sleep(self.time_sleep + randint(0,2))
else:
time.sleep(self.time_sleep - randint(0,2))
depth = self.visited[url_str]
if depth < MAX_DEP:
#下載連結
html_content = self.download(url_str)
#儲存連結
if html_content is not None:
self.mcache[url_str]=html_content
save_url(html_content,url_str)
#篩選出頁面所有連結
url_list = extractor_url_lists(html_content.decode('gb18030'))
#篩選需要爬取的連結
filter_urls = [link for link in url_list if re.search(self.link_regex,link)]
for url in filter_urls:
#補全連結
real_url = self.nomalize(url)
#判斷連結是否訪問過
if real_url not in self.visited:
self.visited[real_url] = depth + 1
self.crawler_queue.put(real_url)
else:
print("robots.txt 禁止下載:",url_str)
12.下載限流器
class Throttle(object):
def __init__(self,delay):
self.domains = {} #可以放在資料庫中
self.delay = delay #兩次間隔下載間隔
def wait_url(self,url_str):
#以netloc為基礎進行休眠
domain_url = urlparse(url_str).netloc #取出網址域名(netloc)
last_accessed = self.domains.get(domain_url) #取出域名的上次下載時間
if self.delay > 0 and last_accessed is not None:
#將當前時間和上次下載時間相減,得出兩次下載時間間隔,然後用休眠時間(delay)減去這個時間間隔
#如果大於0就休眠,否則直接下載後續連結
sleep_interval = self.delay-(datetime.now()-last_accessed).seconds
if sleep_interval > 0:
time.sleep(sleep_interval)
self.domains[domain_url] = datetime.now() #當前時間以域名作為key存到domains字典中
13.隨機代理
class RandomProxy(object):
"""
隨機代理
"""
def __init__(self):
self.proxies = []
self.headers = {
"User-Agent":"wsf"
}
def crawl_proxies(self):
"""
抓取生成代理
:return:
"""
self.proxies.append('192.168.1.1')
self.proxies.append('192.168.1.2')
def verify_proxies(self):
"""
校驗每一個代理是否可用
:return:
"""
invalid_ip = []
for ip_str in self.proxies:
proxies = {"http":ip_str}
r = requests.get("http://www.baidu.com",proxies=proxies,headers =self.headers)
if r.status_code ==200:
continue
else:
invalid_ip.append(ip_str)
for remove_ip in invalid_ip:
self.proxies.remove(remove_ip)
def get_one_proxy(self):
return random.choice(self.proxies)
if __name__ == "__main__":
crawler = CrawlerCommon("http://fashion.163.com/")
crawler.run()