Python爬虫(Scrapy)爬取秀人网

最近睡了午觉之后,感觉一点精神都没有,我觉得需要刺激一下。

爬取的网站长这个样子:

点击这里,查看网站

image.png

运行

默认16个并发,我放公司不知道跑了多久,周末公司停电了,不知道这个网站有没有反爬虫,我现在还没遇到。

有代理,代理都是各大代理网站的免费代理:

proxy.gif

没有代理:

noproxy.gif

有代理就像蜗牛一样,代理失败率还高的吓人,免费的代理就是不靠谱。

结果

大小.png
目录.png
结果.png

pycharm 如何使用anaconda里面的环境

File->Default settings->Default project->project interpreter

接着点击 project interpreter 的右边的小齿轮,选择 add local ,选择anaconda文件路径下的python.exe。接着pycharm会更新解释器,导入模块等,要稍等一点时间。

gif.gif

安装scrapy

pip install scrapy

windos安装这个会出错,因为有两个依赖模块twisted pywin32安装不上,所以只有进行本地安装。
这个网站--https://www.lfd.uci.edu/~gohlke/pythonlibs/下载对应的版本安装,然后在使用上面的那个命令。Linux类的电脑,不会出现这个问题的。

本地安装命令,例如安装Twisted

pin install Twisted‑17.9.0‑cp36‑cp36m‑win_amd64.whl

还有安装一个pillow,用来处理图片。

pip install pillow

运行scrapy可能出现问题,应该是pywin32出错,出错的原因就是没有加入环境变量。可以把pywin32_system32里面的文件放到系统中的system32 或者虚拟环境中的scripts中。

新建项目

我们先来看下scrapy中的命令:

Scrapy 1.4.0 - no active project

Usage:
  scrapy <command> [options] [args]

Available commands:
  bench         Run quick benchmark test
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

  [ more ]      More commands available when run from project directory

Use "scrapy <command> -h" to see more info about a command

用scrapy命令来创建项目:

scrapy startproject gallery

用pycharm打开项目,开始coding,代码来袭


##### 爬取规则(Spider)
#gallery_spider.py

import scrapy
from scrapy import Request
from gallery.items import GalleryItem


class GallerySpider(scrapy.Spider):
    # Spider 的唯一标识 ,必不可少
    name = "gallery_spider"
    # 爬取开始连接  是一个列表
    start_urls = ['http://www.55156.com/weimeiyijing/fengjingtupian']
    # 默认的解析方法
    def parse(self, response):
        # 取当前页所有的图片索引url
        urls = response.xpath('//ul[@class="liL"]/li/a/@href').extract()
        self.logger.info('当前父图片urls----->{}'.format(urls))
        for url in urls:
            # 丢给调度器 加入请求队列
            yield Request(url=url, callback=self.img_parse)
            # yield Request(url='http://www.55156.com/weimeiyijing/fengjingtupian/146515.html', callback=self.img_parse)
        # 下一页的url
        next_page = response.css('.pages ul li ::attr(href)')[-2].extract()
        # 判断是否存在下一页 和 不最后一页
        if next_page and not next_page == '#':
            self.logger.info('存在列表下一页------>{}'.format(next_page))
            yield Request(url=response.urljoin(next_page), callback=self.parse)
    
    def img_parse(self, respose):
        '''
          详细图片页的解析
        '''
        # 定义提取数据结构
        item = GalleryItem()
        #取图片url
        img_url = respose.css('.articleBody p a img ::attr(src)').extract_first()
        # 取图片的标题
        img_dir = respose.css('.articleTitle h1 ::text').extract_first()
        # 赋值给item
        item['image_url'] = img_url
        item['image_dir'] = img_dir
        
        # 取所有页数
        next_page = respose.css('.pages ul li a ::attr(href)').extract()
        # 判断页数不为空
        if next_page:
            #取下一页url
            next_page = next_page[-1]
        # 判断是否存在下一页 和 不最后一页  实际上这个地方不用判断是否存在 因为在之前已经做了一次判断
        if next_page and not next_page == '#':
            self.logger.info('开始爬取图片下一页-------->{}'.format(next_page))
            # 丢给调度器 加入请求队列
            yield Request(url=respose.urljoin(next_page), callback=self.img_parse)

        yield item

items
#items.py

import scrapy
class GalleryItem(scrapy.Item):
    '''
    定义提取数据的结构
    '''
    image_url= scrapy.Field()
    image_dir= scrapy.Field()
中间件
#middlewares.py

from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
import random

class GallerySpiderMiddleware(UserAgentMiddleware):
    '''
    设置请求头 User-Agent
    '''
    user_agent_list = [
        "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, like Gecko, 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)",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, 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/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 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 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) 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"

    ]

    def process_request(self, request, spider):
        '''
        请求之前的回调
        '''
        # 随机取一个user-agent
        ua = random.choice(self.user_agent_list)
        spider.logger.info("当前UA----->" + ua)
        # 给请求头设置User-Agent
        request.headers.setdefault('User-Agent', ua)

user-agent这个网上一大堆。http://www.jianshu.com/p/da6a44d0791e

管道
#pipelines.py

import os
import scrapy
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline


class GalleryPipeline(ImagesPipeline):
    '''
      用来图片的存储
    '''

    def get_media_requests(self, item, info):
        '''
         图片请求
        '''
        yield scrapy.Request(item['image_url'], meta={'item': item})

    def item_completed(self, results, item, info):
        '''
          下载后的回调
        '''
        image_paths = [x['path'] for ok,x in results if ok]
        # for ok, x in results:
        #     if ok:
        #         print(x['path'])
        if not image_paths:
            print('{}/{}------文件保存失败'.format(item['image_dir'], item['image_url']))
            raise DropItem("Item contains no images")
        else:
            print('{}/{}------文件保存成功'.format(item['image_dir'], item['image_url']))
        return item


    def file_path(self, request, response=None, info=None):
        '''
         图片路径设置
        '''
        item = request.meta['item']
        img_name = os.path.basename(item['image_url'])

        index = item['image_dir'].find('(')
        if index == -1:
            index = item['image_dir'].find('(')
        if not index == -1:
            item['image_dir'] = item['image_dir'][:index]
        filename = u'{}/{}'.format(item['image_dir'], img_name)
        return filename
配置文件
#settings.py

BOT_NAME = 'gallery'

SPIDER_MODULES = ['gallery.spiders']
NEWSPIDER_MODULE = 'gallery.spiders'

# Obey robots.txt rules 是否遵守robots规则
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

#DOWNLOAD_DELAY = 3


# Disable cookies (enabled by default)  cookeie是否禁用
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers: 默认请求头
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Encoding:': 'gzip, deflate',
    'Accept-Language': 'en_US,en;q=0.8',
    'Connection': 'keep-alive',
    'Content-Type': 'application/x-www-form-urlencoded'
}


# Enable or disable downloader middlewares  下载中间件
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
   'gallery.middlewares.GallerySpiderMiddleware': 543,
}
# 文件保存的地址
IMAGES_STORE = 'F:\\gallery'
# 管道
ITEM_PIPELINES = {
    'gallery.pipelines.GalleryPipeline': 300,
}
运行入口
#run.py

from scrapy.cmdline import execute
import os, sys

def func():
    sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
    execute('scrapy crawl gallery_spider'.split(' '))

if __name__ == '__main__':
    func()
运行可能出现错误(windos)
ImportError: No module named win32api

安装pywin32模块

pip install pywin32

源代码

这个实际比较简单的,我就不贴代码了,我就写了高清套图那个模块。
github地址

似乎上班有点精神了。。。

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 194,761评论 5 460
  • 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 81,953评论 2 371
  • 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 141,998评论 0 320
  • 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 52,248评论 1 263
  • 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 61,130评论 4 356
  • 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 46,145评论 1 272
  • 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 36,550评论 3 381
  • 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 35,236评论 0 253
  • 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 39,510评论 1 291
  • 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 34,601评论 2 310
  • 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 36,376评论 1 326
  • 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 32,247评论 3 313
  • 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 37,613评论 3 299
  • 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 28,911评论 0 17
  • 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 30,191评论 1 250
  • 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 41,532评论 2 342
  • 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 40,739评论 2 335

推荐阅读更多精彩内容