閱讀本文大約需要 18 分鐘
目錄
- 前言
- Spider
- Middleware
- 瞎比比
前言
上一篇文章《
爬蟲利器初體驗（1）
》中，我們舉了個簡單的栗子，但是在真實的開發中這樣的爬蟲代碼很容易就會被封掉。那麼怎麼樣才能避免這些事發生呢？這一這篇文章我們一起來學習，如何健壯我們的爬蟲代碼。
Spider
當 start_urls 未被指定，會調用 start_requests() ,該方法可以用於在爬取數據之前，先進行模擬登陸。
import scrapy
from scrapy.http import Request
from scrapy.selector import Selector
from urllib.parse import urljoin
from doubanTop250.items import Doubantop250Item
class DoubanTop250Spider(scrapy.spiders.Spider):
# 此處為上面留下的小坑
name = "douban"
# 設置允許爬取的域名
allowed_domains = ["douban.com"]
# header信息
my_header = {
'Host': 'www.douban.com',
'Referer': 'https://movie.douban.com',
}
# 表單需要提交的數據
form_data = {'user': 'zone', 'pass': 'zone7'}
# 自定義信息，向下層響應(response)傳遞下去
customer_data = {'key1': 'value1', 'key2': 'value2'}
def start_requests(self):
return [scrapy.FormRequest("https://movie.douban.com/login",
formdata=self.form_data, # 表單提交的數據
headers=self.my_header,
method='POST', # GET or POST
meta=self.customer_data, # 自定義，向response傳遞數據
errback=self.error_handle,
callback=self.logged_in,
# 如果需要多次提交表單，且url一樣，那麼就必須加此參數 dont_filter，防止被當成重複網頁過濾掉了
dont_filter=True
)]
def logged_in(self, response):
# 解析模擬登陸數據
pass
def parse(self, response):
# 默認回調函數
pass
def close(self,reson):
# 關閉時調用
pass
scrapy.FormRequest 部分參數解析
parse(self, response)
當 start_requests 沒有指定回調函數時，默認回調 parse(self,response) 方法。parse 負責處理 response 並返回處理的數據以及(/或)跟進的 URL。
該方法及其他的 Request 回調函數必須返回一個包含 Request、dict 或 Item 的可迭代的對象。簡單的來說，所謂的回調函數，其實就是告訴spider，在拿到了網站的 response 以後，交給誰來進行處理後面的頁面的解析工作。這個看上一篇文章的代碼就可以知道。
Middleware
這裡說一下，關於自定義 middleware 需要重寫的幾個方法，可能你看完這一段長篇大論之後，還是懵逼的，沒關係，我也是這樣。不過，當你繼續往下看，看一個實例之後，你就會明白。
process_request(request, spider)
當每個request通過下載中間件時，該方法被調用。
process_request() 必須返回其中之一: 返回 None 、返回一個 Response 對象、返回一個 Request 對象或 raise IgnoreRequest 。
- 如果其返回 None ，Scrapy將繼續處理該request，執行其他的中間件的相應方法，直到合適的下載器處理函數(download handler)被調用， 該request被執行(其response被下載)。
- 如果其返回 Response 對象，Scrapy將不會調用 任何 其他的 process_request() 或 process_exception() 方法，或相應地下載函數； 其將返回該 response。 已安裝的中間件的 process_response() 方法則會在每個 response 返回時被調用。
- 如果其返回 Request 對象，Scrapy則停止調用 process_request方法並重新調度返回的 request。當新返回的 request 被執行後， 相應地中間件鏈將會根據下載的 response 被調用。
如果其 raise 一個 IgnoreRequest 異常，則安裝的下載中間件的 process_exception() 方法會被調用。如果沒有任何一個方法處理該異常， 則 request 的errback(Request.errback) 方法會被調用。如果沒有代碼處理拋出的異常， 則該異常被忽略且不記錄(不同於其他異常那樣)。
參數:
- request(Request 對象)–處理的 request
- spider(Spider 對象)–該 request 對應的 spider
process_response(request, response, spider)
process_request() 必須返回以下之一: 返回一個 Response 對象、 返回一個 Request 對象或 raise 一個 IgnoreRequest 異常。
- 如果其返回一個 Response (可以與傳入的response相同，也可以是全新的對象)， 該response會被在鏈中的其他中間件的 process_response() 方法處理。
- 如果其返回一個 Request 對象，則中間件鏈停止， 返回的request會被重新調度下載。處理類似於 process_request() 返回request所做的那樣。
- 如果其拋出一個 IgnoreRequest 異常，則調用 request 的 errback( Request.errback)。 如果沒有代碼處理拋出的異常，則該異常被忽略且不記錄(不同於其他異常那樣)。
參數:
- request (Request 對象) – response 所對應的 request
- response (Response 對象) – 被處理的 response
- spider (Spider 對象) – response 所對應的 spider
process_exception(request, exception, spider)
當下載處理器(download handler)或 process_request() (下載中間件)拋出異常(包括IgnoreRequest異常)時，Scrapy調用 process_exception() 。
process_exception() 應該返回以下之一: 返回 None 、 一個 Response 對象、或者一個 Request 對象。
- 如果其返回 None ，Scrapy將會繼續處理該異常，接著調用已安裝的其他中間件的 process_exception() 方法，直到所有中間件都被調用完畢，則調用默認的異常處理。
- 如果其返回一個 Response 對象，則已安裝的中間件鏈的 process_response() 方法被調用。Scrapy將不會調用任何其他中間件的 process_exception() 方法。
- 如果其返回一個 Request 對象， 則返回的request將會被重新調用下載。這將停止中間件的 process_exception() 方法執行，就如返回一個response的那樣。
參數:
- request (是 Request 對象) – 產生異常的request
- exception (Exception 對象) – 拋出的異常
- spider (Spider 對象) – request對應的spider
UserAgentMiddleware
多數情況下，網站都會通過 user-agent 來識別訪問的用戶是否為一臺機器，就像爬取豆瓣一樣，如果你沒有設置 user-agent 的話，就會被拒絕訪問。因此，我們只使用一個 user-agent 顯然是不夠的，因此，我們要想個辦法來設置隨機的 user-agent。於是，我們便可以自定義 UserAgentMiddleware 來解決這個問題。
首先，在 setting.py 中添加 user-agent ，如下：
MY_USER_AGENT = [ 'MSIE (MSIE 6.0; X11; Linux; i686) Opera 7.23', 'iTunes/9.0.3 (Macintosh; U; Intel Mac OS X 10_6_2; en-ca)', 'Opera/9.20 (Macintosh; Intel Mac OS X; U; en)', 'Opera/9.0 (Macintosh; PPC Mac OS X; U; en)', 'Mozilla/4.76 [en_jp] (X11; U; SunOS 5.8 sun4u)', '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 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)', '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 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', '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 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 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20', '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 (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 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1', '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/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12', '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/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1', 'Mozilla/4.8 [en] (X11; U; SunOS; 5.7 sun4u)' ]
然後在 middlewares.py 中添加如下代碼：
class MyUserAgentMiddleware(UserAgentMiddleware):
def __init__(self, user_agent):
self.user_agent = user_agent
@classmethod
def from_crawler(cls, crawler):
return cls(
user_agent=crawler.settings.get('MY_USER_AGENT')
)
def process_request(self, request, spider):
agent = random.choice(self.user_agent)
request.headers['User-Agent'] = agent
最後啟用這個 middleware ，在 setting.py 中修改 MyUserAgentMiddleware 的優先級，如下：
DOWNLOADER_MIDDLEWARES = {
# 首先禁止其原有的 UserAgentMiddleware
'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,
'doubanTop250.middlewares.MyUserAgentMiddleware': 300,
'doubanTop250.middlewares.ProxyMiddleware': 543,
}
ProxyMiddleware
除了要更改 user-agent 之外，我們還要使用 ip 代理來健壯我們的爬蟲程序。那麼，在 scrapy 中如何來設置我們的 ip 代理呢？
首先，在 setting.py 中添加如下代碼，為代理 ip：
PROXIES = [ "194.186.20.62:21231" , "66.153.222.162:54684" , "219.234.5.128:3128" , "117.114.149.66:53281" , "117.114.149.66:53281" ]
ip 來自西刺代理，不過好像好多沒用的代理。
然後在 middlewares.py 中添加如下代碼：
from scrapy import signals
import random
class ProxyMiddleware(object):
def __init__(self, ip):
self.ip = ip
@classmethod
def from_crawler(cls, crawler):
return cls(ip=crawler.settings.get('PROXIES'))
def process_request(self, request, spider):
ip = random.choice(self.ip)
request.meta['proxy'] = ip
最後啟用這個 middleware ，在 setting.py 中修改 ProxyMiddleware 的優先級，如下：
DOWNLOADER_MIDDLEWARES = {
# 首先禁止其原有的 UserAgentMiddleware
'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,
'doubanTop250.middlewares.MyUserAgentMiddleware': 300,
'doubanTop250.middlewares.ProxyMiddleware': 543,
}
瞎比比
經過這些操作之後，你的代碼等級就提升了一個高度了。說了那麼多，我們好像還沒有將我們抓取的數據保存下來，那麼下一篇文章將會說說如何保存我們的數據。後臺回覆【scrapy初體驗】獲取源碼。
