我们可以把互联网比作一张大网，而爬虫（即网络爬虫）便是在网上爬行的蜘蛛。把网的节点比作一个个网页，爬虫爬到这就相当于访问了该页面，获取了其信息。可以把节点间的连线比作网页与网页之间的链接关系，这样蜘蛛通过一个节点后，可以顺着节点连线继续爬行到达下一个节点，即通过一个网页继续获取后续的网页，这样整个网的节点便可以被蜘蛛全部爬行到，网站的数据就可以被抓取下来了。
爬虫概述
简单来说，爬虫就是获取网页并提取和保存信息的自动化程序，下面概要介绍一下。
(1) 获取网页
爬虫首先要做的工作就是获取网页，这里就是获取网页的源代码。源代码里包含了网页的部分有用信息，所以只要把源代码获取下来，就可以从中提取想要的信息了。
前面讲了请求和响应的概念，向网站的服务器发送一个请求，返回的响应体便是网页源代码。所以，最关键的部分就是构造一个请求并发送给服务器，然后接收到响应并将其解析出来，那么这个流程怎样实现呢？总不能手工去截取网页源码吧？
不用担心，Python提供了许多库来帮助我们实现这个操作，如urllib、requests等。我们可以用这些库来帮助我们实现HTTP请求操作，请求和响应都可以用类库提供的数据结构来表示，得到响应之后只需要解析数据结构中的Body部分即可，即得到网页的源代码，这样我们可以用程序来实现获取网页的过程了。
(2) 提取信息
获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据。首先，最通用的方法便是采用正则表达式提取，这是一个万能的方法，但是在构造正则表达式时比较复杂且容易出错。
另外，由于网页的结构有一定的规则，所以还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库，如Beautiful Soup、pyquery、lxml等。使用这些库，我们可以高效快速地从中提取网页信息，如节点的属性、文本值等。
提取信息是爬虫非常重要的部分，它可以使杂乱的数据变得条理清晰，以便我们后续处理和分析数据。
(3) 保存数据
提取信息后，我们一般会将提取到的数据保存到某处以便后续使用。这里保存形式有多种多样，如可以简单保存为TXT文本或JSON文本，也可以保存到数据库，如MySQL和MongoDB等，也可保存至远程服务器，如借助SFTP进行操作等。
(4) 自动化程序
说到自动化程序，意思是说爬虫可以代替人来完成这些操作。首先，我们手工当然可以提取这些信息，但是当量特别大或者想快速获取大量数据的话，肯定还是要借助程序。爬虫就是代替我们来完成这份爬取工作的自动化程序，它可以在抓取过程中进行各种异常处理、错误重试等操作，确保爬取持续高效地运行。
能抓怎样的数据？
在网页中我们能看到各种各样的信息，最常见的便是常规网页，它们对应着HTML代码，而最常抓取的便是HTML源代码。
另外，可能有些网页返回的不是HTML代码，而是一个JSON字符串（其中API接口大多采用这样的形式），这种格式的数据方便传输和解析，它们同样可以抓取，而且数据提取更加方便。
此外，我们还可以看到各种二进制数据，如图片、视频和音频等。利用爬虫，我们可以将这些二进制数据抓取下来，然后保存成对应的文件名。
另外，还可以看到各种扩展名的文件，如CSS、JavaScript和配置文件等，这些其实也是最普通的文件，只要在浏览器里面可以访问到，就可以将其抓取下来。
上述内容其实都对应各自的URL，是基于HTTP或HTTPS协议的，只要是这种数据，爬虫都可以抓取。
Scrapy框架之Spalsh渲染
原理说明：
基于spalsh渲染后HTML，通过配置文件解析，入库。 提高了效率，一天可以写几十个配置dict，即完成几十个网站爬虫的编写。
配置文件说明:{ “industry_type”: “政策”, # 行业类别 “website_type”: “央行”, # 网站/微信公众号名称 “url_type”: “中国人民银行-条法司-规范性文件”, # 网站模块 “link”: “http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html”, # 访问链接 “article_rows_xpath”: ‘//div[@id=”r_con”]//table//tr/td/font[contains(@class, “newslist_style”)]’, # 提取文章列表xpath对象 “title_xpath”: “./a”, # 提取标题 “title_parse”: “./@title”, # 提取标题 “title_link_xpath”: “./a/@href”, # 提取标题链接 “date_re_switch”: “False”, # 是否使用正则提取日期时间 “date_re_expression”: “”, # 日期时间正则表达式 “date_xpath”: “./following-sibling::span[1]”, # 提取日期时间 “date_parse”: “./text()”, # 提取日期时间 “content”: ‘//*[@class=”content”]’, # 正文HTML xpath “prefix”: “http://www.pbc.gov.cn/”, # link前缀 “config”: “{‘use_selenium’:’False’}” # 其他配置：是否使用selenium（默认使用spalsh） },
完整代码参考
# -*- coding: utf-8 -*-
'''
需求列表:使用任何资讯网站的抓取
央行：
http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html
http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html
公安部：
https://www.mps.gov.cn/n2254314/n2254487/
https://www.mps.gov.cn/n2253534/n2253535/index.html
http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/
'''
from risk_control_info.items import BIgFinanceNews
import dateparser
from w3lib.url import canonicalize_url
from urllib.parse import urljoin
import scrapy
from scrapy_splash import SplashRequest
from risk_control_info.utils import make_md5, generate_text, clean_string
import re
script = """
function main(splash, args)
splash.images_enabled = false
splash:set_user_agent("{ua}")
assert(splash:go(args.url))
assert(splash:wait(args.wait))
return splash:html()
end""".format(
ua="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36")
class BigFinanceAllGovSpider(scrapy.Spider):
name = 'big_finance_all_gov'
custom_settings = {
'RANDOMIZE_DOWNLOAD_DELAY': True,
'DOWNLOAD_DELAY': 60 / 360.0,
'CONCURRENT_REQUESTS_PER_IP': 8,
'DOWNLOADER_MIDDLEWARES': {
'scrapy_splash.SplashCookiesMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
# 'risk_control_info.middlewares.SplashProxyMiddleware': 843, # 代理ip,此方法没成功
'risk_control_info.middlewares.RandomUserAgentMiddleware': 843,
'risk_control_info.middlewares.SeleniumMiddleware': 844
},
# 入库
'ITEM_PIPELINES': {
'risk_control_info.pipelines.RiskControlInfoPipeline': 401,
'risk_control_info.pipelines.MysqlPipeline': 402,
},
'SPIDER_MIDDLEWARES': {
'risk_control_info.middlewares.RiskControlInfoSpiderMiddleware': 543,
'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
},
}
def __init__(self, **kwargs):
super().__init__()
self.env = kwargs.get('env', 'online')
def start_requests(self):
for target in self.target_info():
if target.get('title_xpath') and target.get('title_link_xpath') /
and target.get('date_xpath') and target.get('article_rows_xpath'):
self.logger.info(f"目标网站可配置爬虫信息:{target}")
# 使用selenium
if target.get("config") and eval(eval(target.get("config")).get('use_selenium')):
self.logger.info(f"使用 Selenium 请求 {target['link']}")
yield scrapy.Request(url=target['link'],
meta={
"target": target,
"use_selenium": True
},
callback=self.parse,
)
else:
# 默认使用 Splash
self.logger.info(f"使用 Splash 请求 {target['link']}")
yield SplashRequest(url=target['link'],
meta={"target": target},
callback=self.parse,
# endpoint='execute',
# args={
# 'lua_source': script,
# 'wait': 8},
endpoint='render.json',
args={
# 'lua_source': script,
# 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}",
'wait': 10,
'html': 1,
'png': 1
},
)
def parse(self, response):
target = response.meta['target']
article_rows = response.xpath(target['article_rows_xpath'])
# 遍历所有文字列表
for article_row in article_rows:
item = BIgFinanceNews()
# 处理标题
_article_row = article_row.xpath(target['title_xpath']) # 定位标题
item['title'] = clean_string(
generate_text(_article_row.xpath(target['title_parse']).extract_first().strip())) # 解析标题
# 处理链接
if target.get('prefix'):
item['title_link'] = urljoin(target['prefix'], article_row.xpath(
target['title_link_xpath']).extract_first())
else:
item['title_link'] = article_row.xpath(target['title_link_xpath']).extract_first()
# 处理发布日期
# 日期顺序规则
date_order = "YMD"
_title_time = article_row.xpath(target['date_xpath']) # 定位:发布时间
_date_str = clean_string(
generate_text(_title_time.xpath(target['date_parse']).extract_first())) # 解析:发布时间
if not eval(target.get('date_re_switch')):
item['title_time'] = dateparser.parse(_date_str, settings={'DATE_ORDER': date_order}).strftime(
"%Y-%m-%d")
else: # 使用正则提取时间字符串，存在默认正则表达式
date_re_expression = target.get('date_re_expression', None)
_expression = date_re_expression or r"(20/d{2}[-/]?/d{2}[-/]?/d{2})"
results = re.findall(r"%s" % _expression, _date_str, re.S)
self.logger.info(f"_date_str:{_date_str},results:{results} ")
if results:
item['title_time'] = dateparser.parse(results[0], settings={'DATE_ORDER': date_order}).strftime(
"%Y-%m-%d")
else:
item['title_time'] = None
# 以下写死的
item['bi_channel'] = "gov"
item['industry_type'] = f"{target['industry_type']}"
item['website_type'] = f"{target['website_type']}"
item['url_type'] = f"{target['url_type']}"
item['title_hour'] = 0 # 原网站没有发布时间,0代替
item['source_type'] = 0 # 数据来源，0 网站web, 1 微信公众号
item['redis_duplicate_key'] = make_md5(item['title'] + canonicalize_url(item['title_link']))
# 请求详情页
# 使用selenium
if target.get("config") and eval(eval(target.get("config")).get('use_selenium')):
self.logger.info(f"使用 Selenium 请求 {item['title_link']}")
yield scrapy.Request(url=item['title_link'],
meta={
"target": target,
"use_selenium": True,
"item": item
},
callback=self.parse_detail,
)
else:
# 使用 Splash
self.logger.info(f"使用 Splash 请求 {item['title_link']}")
yield SplashRequest(url=item['title_link'],
meta={
"target": target,
"item": item
},
callback=self.parse_detail,
# endpoint='execute',
# args={
# 'lua_source': script,
# 'wait': 8},
endpoint='render.json',
args={
# 'lua_source': script,
# 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}",
'wait': 20,
'html': 1,
'png': 1
},
)
def parse_detail(self, response):
self.logger.info(f"处理详情页 {response.url}")
item = response.meta['item']
target = response.meta['target']
print(response.xpath(target['content']))
if response.xpath(target['content']):
item['content'] = generate_text(response.xpath(target['content']).extract_first())
else:
item['content'] = ""
yield item
@staticmethod
def target_info():
'''
返回目标网站信息
'''
target_list = [
{
"industry_type": "政策", # 行业类别
"website_type": "央行", # 网站/微信公众号名称
"url_type": "中国人民银行-条法司-规范性文件", # 网站模块
"link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html", # 访问链接
"article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
# 提取文章列表xpath对象
"title_xpath": "./a", # 提取标题
"title_parse": "./@title", # 提取标题
"title_link_xpath": "./a/@href", # 提取标题链接
"date_re_switch": "False", # 是否使用正则提取日期时间
"date_re_expression": "", # 日期时间正则表达式
"date_xpath": "./following-sibling::span[1]", # 提取日期时间
"date_parse": "./text()", # 提取日期时间
"content": '//*[@class="content"]', # 正文HTML xpath
"prefix": "http://www.pbc.gov.cn/", # link前缀
"config": "{'use_selenium':'False'}" # 其他配置：是否使用selenium（默认使用spalsh）
},
{
"industry_type": "政策", # 行业类别
"website_type": "央行", # 网站/微信公众号名称
"url_type": "中国人民银行-条法司-其他文件", # 网站模块
"link": "http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html", # 访问链接
"article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
"title_xpath": "./a",
"title_parse": "./@title",
"title_link_xpath": "./a/@href",
"date_re_switch": "False", # 是否使用正则提取日期时间
"date_re_expression": "", # 日期时间正则表达式
"date_xpath": "./following-sibling::span[1]",
"date_parse": "./text()",
"content": '//*[@class="content"]', # 正文HTML xpath
"prefix": "http://www.pbc.gov.cn/",
"config": "{'use_selenium':'False'}"
},
{
"industry_type": "政策", # 行业类别
"website_type": "公安部", # 网站/微信公众号名称
"url_type": "中华人民共和国公安部-规划计划", # 网站模块
"link": "https://www.mps.gov.cn/n2254314/n2254487/", # 访问链接
"article_rows_xpath": '//span/dl/dd',
"title_xpath": "./a",
"title_parse": "./text()",
"title_link_xpath": "./a/@href",
"date_re_switch": "True", # 是否使用正则提取日期时间 ( 2020-04-14 )
"date_re_expression": "", # 日期时间正则表达式
"date_xpath": "./span",
"date_parse": "./text()",
"content": '//*[@class="arcContent center"]', # 正文HTML xpath
"prefix": "https://www.mps.gov.cn/",
"config": "{'use_selenium':'True'}"
},
{
"industry_type": "政策", # 行业类别
"website_type": "公安部", # 网站/微信公众号名称
"url_type": "中华人民共和国公安部-公安要闻", # 网站模块
"link": "https://www.mps.gov.cn/n2253534/n2253535/index.html", # 访问链接
"article_rows_xpath": '//span/dl/dd',
"title_xpath": "./a",
"title_parse": "./text()",
"title_link_xpath": "./a/@href",
"date_re_switch": "True", # 是否使用正则提取日期时间 ( 2020-04-14 )
"date_re_expression": "", # 日期时间正则表达式
"date_xpath": "./span",
"date_parse": "./text()",
"content": '//*[@class="arcContent center"]', # 正文HTML xpath
"prefix": "https://www.mps.gov.cn/",
"config": "{'use_selenium':'True'}"
},
{
"industry_type": "政策", # 行业类别
"website_type": "公安部", # 网站/微信公众号名称
"url_type": "七台河市人民政府-信息上报系统-市辖单位-公安局", # 网站模块
"link": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/", # 访问链接
"article_rows_xpath": '//td[contains(text(), "公安局")]/parent::tr/parent::tbody/parent::table/parent::td/parent::tr/following::tr[1]/td/table//tr/td/a/parent::td/parent::tr',
"title_xpath": "./td/a",
"title_parse": "./@title",
"title_link_xpath": "./td/a/@href",
"date_re_switch": "False", # 是否使用正则提取日期时间 ( 2020-04-14 )
"date_re_expression": "", # 日期时间正则表达式
"date_xpath": "./td[3]",
"date_parse": "./text()",
"content": '//*[@class="TRS_Editor"]', # 正文HTML xpath
"prefix": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/",
"config": "{'use_selenium':'False'}"
},
]
for target in target_list:
yield target
6、爬虫代理
以上是关于Scrapy框架之Spalsh渲染信息，以上信息只能适合基本采集，如果需要详细长期采集需要配合使用爬虫代。例如使用亿牛云爬虫代理加强版配上以上demo更能方便长期稳定采集出想要的数据信息。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/tech/aiops/53611.html