python scrapy框架爬取IT橘子网站(scrapy模拟登录)

IT橘子网站是需要登录之后才能进行数据抓取

找到IT橘子网站的登录链接

image.png

查看POST传入的参数和header信息

image.png
  • 请求的参数为:Request Payload。包含了账号密码等信息。
  • 登录代码实现如下(记得修改用户名和密码):
class JuziSpider(scrapy.Spider):
    name = 'juzi'
    allowed_domains = ['itjuzi.com']

    def start_requests(self):
        """
        模拟POST请求登录IT桔子网

        """
        header = {
            "Content-Type": "application/json",
            "User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
            "Host": "www.itjuzi.com",
            "Referer": "https: // www.itjuzi.com / investevent",
        }
        url = "https://www.itjuzi.com/api/authorizations"
        Payload = {"account": "自己的用户名", "password": "密码", "type": "pswd"}
        yield scrapy.Request(url=url,
                             method="POST",
                             body=json.dumps(Payload),
                             headers=header,
                             callback=self.parse
                             )

此次爬虫主要是为了获取 IT橘子网里面 事件库模块里面的信息

image.png

信息爬取分析:

  • 找到事件库请求的URL链接
  • 分析Request Header里面的参数信息
  • 分析Request Payload里面的参数信息


    image.png

    image.png

分析结果如下:

  • Authorization:为Request Header里面的必须参数,Authorization需要在登录之后才能获取,可以登录之后的response中查看。


    image.png
  • Request Payload中的pagetotal参数为数据总量,per_page为每一页的数据量,page为当前页码,可以通过计算得出总的页码数量,实现数据循环抓取。
  • 爬取下来的数据存入到mongodb数据库当中。

完整代码实现如下:

  • juzi.py文件
# -*- coding: utf-8 -*-
import scrapy
import json
import time
import random
from ITjuzi.items import ItjuziItem
from ITjuzi.settings import USER_AGENT_LIST


class JuziSpider(scrapy.Spider):
    name = 'juzi'
    allowed_domains = ['itjuzi.com']

    def start_requests(self):
        """
        模拟POST请求登录IT桔子网

        """
        header = {
            "Content-Type": "application/json",
            "User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
            "Host": "www.itjuzi.com",
            "Referer": "https: // www.itjuzi.com / investevent",
        }
        url = "https://www.itjuzi.com/api/authorizations"
        Payload = {"account": "用户名", "password": "密码", "type": "pswd"}
        yield scrapy.Request(url=url,
                             method="POST",
                             body=json.dumps(Payload),
                             headers=header,
                             callback=self.parse
                             )

    def parse(self, response):
        url = "https://www.itjuzi.com/api/investevents"
        token = json.loads(response.text)['data']['token']
        header = {
            "Content-Type": "application/json",
            "Authorization": token,
            "User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
            "Host": "www.itjuzi.com",
            "Referer": "https: // www.itjuzi.com / investevent",
        }
        payload = {
                    "pagetotal": 0, "total": 0, "per_page": 20, "page": 1, "type": 1, "scope": "", "sub_scope": "",
                    "round": [], "valuation": [], "valuations": "", "ipo_platform": "", "equity_ratio": [""],
                    "status": "", "prov": "", "city": [], "time": [], "selected": "", "location": "", "currency": [],
                    "keyword": ""
                }
        yield scrapy.Request(url=url,
                             method="POST",
                             body=json.dumps(payload),
                             meta={'token': token},
                             headers=header,
                             callback=self.parse_info
                             )

    # 通过计算页数,获取总的页面数,抓取所有数据。
    def parse_info(self, response):
        # 获取传入过来的token
        token = response.meta["token"]
        data = json.loads(response.text)
        # 总数据
        total_number = data['data']['page']['total']
        # 总的页数
        if type(int(total_number) / 20) is not int:
            page = int(int(total_number) / 20) + 1
        else:
            page = int(total_number) / 20
        url = "https://www.itjuzi.com/api/investevents"
        header = {
            "Content-Type": "application/json",
            "Authorization": token,
            "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
            "Host": "www.itjuzi.com",
            "Referer": "https: // www.itjuzi.com / investevent",
        }
        for i in range(1, page):
            time.sleep(1)
            payload = {
                "pagetotal": 0, "total": 0, "per_page": 20, "page": i, "type": 1, "scope": "", "sub_scope": "",
                "round": [], "valuation": [], "valuations": "", "ipo_platform": "", "equity_ratio": [""],
                "status": "", "prov": "", "city": [], "time": [], "selected": "", "location": "", "currency": [],
                "keyword": ""
            }
            # request()中加入dont_filter=True 解决scrapy自身是默认有过滤重复请求的bug。
            # 由于parse_info()函数中 请求的url和parse_detail()函数中请求的URL相同,需要加入dont_filter=True
            yield scrapy.Request(dont_filter=True,
                                 url=url,
                                 method="POST",
                                 body=json.dumps(payload),
                                 headers=header,
                                 callback=self.parse_detail
                                 )

    def parse_detail(self, response):
        infos = json.loads(response.text)["data"]["data"]
        for info in infos:
            item = ItjuziItem()
            item["id"] = info["id"] if info.get('id') else '',
            item["com_id"] = info["com_id"] if info.get('com_id') else '',
            item["name"] = info["name"] if info.get('name') else '',
            item["com_scope"] = info["com_scope"] if info.get('com_scope') else '',
            item["money"] = info["money"] if info.get('money') else '',
            item["money_num"] = info["money_num"] if info.get('money_num') else '',
            item["valuation"] = info["valuation"] if info.get('valuation') else '',
            item["city"] = info["city"] if info.get('city') else '',
            item["agg_time"] = info["agg_time"] if info.get('agg_time') else '',
            item["invse_des"] = info["invse_des"] if info.get('invse_des') else '',
            yield item
  • item.py文件
class ItjuziItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    id = scrapy.Field()
    com_id = scrapy.Field()
    name = scrapy.Field()
    com_scope = scrapy.Field()
    money = scrapy.Field()
    money_num = scrapy.Field()
    valuation = scrapy.Field()
    city = scrapy.Field()
    agg_time = scrapy.Field()
    invse_des = scrapy.Field()
  • pipelines.py实现数据存入到mongdb数据库
# mongodb
class ItjuziMongoPipeline():
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        """
        问题:数据存入数据库之后,出现大量重复数据
        解决思路:
        在process_item中执行数据插入之前,先对变量进行复制copy,再用复制copy的变量进行操作,通过互斥确保变量不被修改。因此,修正这个问题,我们只需要调整优化下process_item()方法。
        解决代码:process_item()     - copy.deepcopy(item)   ->导入copy包
        """
        asynItem = copy.deepcopy(item)
        infos = {'id': asynItem['id'],
                 'com_id': asynItem['com_id'],
                 'name': asynItem['name'],
                 'com_scope': asynItem['com_scope'],
                 'money': asynItem['money'],
                 'money_num': asynItem['money_num'],
                 'valuation': asynItem['valuation'],
                 'city': asynItem['city'],
                 'agg_time': asynItem['agg_time'],
                 'invse_des': asynItem['invse_des'],
                 }
        self.db.ITjuzi.insert(infos)
        return item
  • settings中配置相关信息
ITEM_PIPELINES = {
   'ITjuzi.pipelines.ItjuziMongoPipeline': 310,
}
FEED_EXPORT_ENCODING = 'utf-8'

MONGO_URI = 'localhost'
MONGO_DB = 'scrapy_IT_juzi'

总结与补充说明

  • IT橘子网站,反扒措施很强可以自己设置User-Agent代理池和IP代理池
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,384评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,845评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,148评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,640评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,731评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,712评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,703评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,473评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,915评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,227评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,384评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,063评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,706评论 3 324
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,302评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,531评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,321评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,248评论 2 352

推荐阅读更多精彩内容

  • sqlmap用户手册 说明:本文为转载,对原文中一些明显的拼写错误进行修正,并标注对自己有用的信息。 ======...
    wind_飘阅读 2,041评论 0 5
  • http://192.168.136.131/sqlmap/mysql/get_int.php?id=1 当给sq...
    xuningbo阅读 10,296评论 2 22
  • 网络 理论模型,分为七层物理层数据链路层传输层会话层表示层应用层 实际应用,分为四层链路层网络层传输层应用层 IP...
    FlyingLittlePG阅读 764评论 0 0
  • “妈妈你为什么要带你单位的小朋友上台?不带我,她们又不是你的女儿,我才是呢……”,当我从舞台上下来的时候,女儿不理...
    梦在雨巷阅读 441评论 0 6
  • 记得轮椅青年,源于他的一首英文歌,歌名叫:You rise me up 轮椅青年是我的大学校友,我在校园里偶见他一...
    南溪向南北歌流海阅读 162评论 0 0