简单制作Scrapy爬虫

python (2339) 2020-11-10 15:44:15

爬虫框架本身来说,都是很优秀的,说那个更好,不如说那个更适合公司的业务需求。

scrapy是用python语言编写的一个爬虫框架也是一个常见的爬虫框架,非常好用。只需要简单采集和存储即可。自带多线程和异常处理功能

Scrapy:支持分布式爬虫,扩展性强,使用简单,支持中间件机制,不支持json网页采集。

制作Scrapy步骤:

1、新建爬虫项目:在网络爬虫采集数据之前,需要建立一个新的Scrapy爬虫项目,然后运行爬虫。

2、明确目标:确定需要采集的目标网站和数据信息,运行项目,输入指令运行代码。

3、新建爬虫:解析数据信息,运行代码,爬数据,取数据。

4、数据存储:选择适合自己的存储方式存储自己想要的数据内容。

制作Scrapy爬虫使用代理:

#! -*- encoding:utf-8 -*-
        import base64            
        import sys
        import random

        PY3 = sys.version_info[0] >= 3

        def base64ify(bytes_or_str):
            if PY3 and isinstance(bytes_or_str, str):
                input_bytes = bytes_or_str.encode('utf8')
            else:
                input_bytes = bytes_or_str

            output_bytes = base64.urlsafe_b64encode(input_bytes)
            if PY3:
                return output_bytes.decode('ascii')
            else:
                return output_bytes

        class ProxyMiddleware(object):                
            def process_request(self, request, spider):
                # 代理服务器(产品官网 www.16yun.cn)
                proxyHost = "t.16yun.cn"
                proxyPort = "31111"

                # 代理验证信息
                proxyUser = "username"
                proxyPass = "password"

                request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort)

                # 添加验证头
                encoded_user_pass = base64ify(proxyUser + ":" + proxyPass)
                request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass                    

                # 设置IP切换头(根据需求)
                tunnel = random.randint(1,10000)
                request.headers['Proxy-Tunnel'] = str(tunnel)

        class SplashProxyMiddleware(object):                
            def process_request(self, request, spider):
                # 代理服务器(产品官网 www.16yun.cn)
                proxyHost = "t.16yun.cn"
                proxyPort = "31111"

                # 代理验证信息
                proxyUser = "username"
                proxyPass = "password"

                request.meta['splash']['args']['proxy'] = "http://{}:{}@{}:{}".format(proxyUser,proxyPass,proxyHost,proxyPort)

 

THE END

发表评论