nine

Scarpy爬虫框架

https://www.cnblogs.com/kermitjam/articles/10147261.html?tdsourcetag=s_pctim_aiomsg

高并发的爬虫框架

Runspider只能执行某个爬虫程序.py文件

将项目根目录导入

Xpath语法获取内容（‘./text()’)

发送请求 ---> 获取响应数据 ---> 解析数据 ---> 保存数据


  Scarpy框架介绍 

    1、引擎(EGINE)
    引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。

    2、调度器(SCHEDULER)
    用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

    3、下载器(DOWLOADER)
    用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的

    4、爬虫(SPIDERS)
    SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

    5、项目管道(ITEM PIPLINES)
    在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
    下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
    你可用该中间件做以下几件事：
      　　(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
      　　(2) change received response before passing it to a spider;
      　　(3) send a new Request instead of passing received response to a spider;
      　　(4) pass response to a spider without fetching a web page;
      　　(5) silently drop some requests.

    6、爬虫中间件(Spider Middlewares)
    位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

  Scarpy安装 
    1、pip3 install wheel
    2、pip3 install lxml
    3、pip3 install pyopenssl
    4、pip3 install pypiwin32
    5、安装twisted框架
        下载twisted
            http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
        安装下载好的twisted
            pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl

    6、pip3 install scrapy

 Scarpy使用 
    1、进入终端cmd
        - scrapy
            C:\Users\administortra>scrapy
            Scrapy 1.6.0 - no active project

    2、创建scrapy项目
        1.创建一个文件夹，专门用于存放scrapy项目
            - D:\Scrapy_prject
        2.cmd终端输入命令
            scrapy startproject Spider_Project（ 项目名）
            - 会在 D:\Scrapy_prject文件夹下会生成一个文件
                   Spider_Project : Scrapy项目文件

        3.创建爬虫程序
            cd Spider_Project  # 切换到scrapy项目目录下
                          # 爬虫程序名称     目标网站域名
            scrapy genspider   baidu     www.baidu.com  # 创建爬虫程序

    3、启动scrapy项目，执行爬虫程序

        # 找到爬虫程序文件进行执行
        scrapy runspider只能执行某个 爬虫程序.py
            # 切换到爬虫程序执行文件目录下
            - cd D:\Scrapy_prject\Spider_Project\Spider_Project\spiders
            - scrapy runspider baidu.py

        # 根据爬虫名称找到相应的爬虫程序执行
        scrapy crawl 爬虫程序名称
            # 切换到项目目录下
            - cd D:\Scrapy_prject\Spider_Project
            - scrapy crawl baidu

 1 1、进入终端cmd：
 2         -scrapy
 3 
 4 2、创建scrapy项目
 5     1.创建文件夹存放scrapy项目
 6         -D:\Scrapy_project\
 7 
 8     2.cmd终端输入命令
 9     -scrapy starproject Spider_Project
10     会在D:\Scrapy_project\下生成文件夹
11         -Spider_Project ：Scrapy项目文件
12 
13     3.创建好后会提示
14         -cd Spider_Project     #切换到scrapy项目目录下
15                           #爬虫程序名称   #目标网站域名
16         -scrapy genspider  baidu          www.baidu.com     #创建爬虫程序
17 
18 3.启动scrapy项目，执行爬虫程序
19     # 找到爬虫程序文件执行
20     scrapy runspider 爬虫程序.py
21     # 切换到爬虫程序执行目录下
22         -cd D:\Scrapy_project\Spider_Project\Spider_Project\spiders
23         -scrapy runspider baidu.py
24 
25     # 根据爬虫名称找到相应的爬虫程序执行
26     scrapy crawl 爬虫程序名称
27         # 切换到项目目录下
28         - cd D:\Scrapy_prject\Spider_Project
29         - scrapy crawl baidu
30 
31 ** Scarpy在pycharm中的使用 **
32     1、创建一个py文件
33         from scrapy.cmdline import execute
34         execute()  # 写scrapy执行命令

scrapy基本使用cmd

 1 '''
 2 main.py
 3 '''
 4 from scrapy.cmdline import execute
 5 
 6 # 写终端命令
 7 # scrapy crawl baidu
 8 # 执行baidu爬虫程序
 9 # execute(['scrapy', 'crawl', 'baidu'])
10 
11 # 创建爬取链家网程序
12 # execute(['scrapy', 'genspider', 'lianjia', 'lianjia.com'])
13 
14 # --nolog     去除日志
15 execute('scrapy crawl --nolog lianjia'.split(' '))
16 
17 '''
18 Scrapy在Pycharm中使用
19 1.创建scrapy项目
20 在settings.py文件中有
21     -ROBOTSTXT_OBEY = True     #默认遵循robot协议
22 修改为：
23     -ROBOTSTXT_OBEY = False
24 '''
25 
26 
27 '''
28 lianjia.py
29 '''
30 # -*- coding: utf-8 -*-
31 import scrapy
32 from scrapy import Request
33 
34 # response的类
35 
36 class LianjiaSpider(scrapy.Spider):
37     name = 'lianjia'  # 爬虫程序名
38     # 只保留包含lianjia.com的url
39     allowed_domains = ['lianjia.com']  # 限制域名
40 
41     # 存放初始请求url
42     start_urls = ['https://bj.lianjia.com/ershoufang/']
43 
44     def parse(self, response):  # response返回的响应对象
45         # print(response)
46         # print(type(response))
47         # 获取文本
48         # print(response.text)
49         # print(response.url)
50         # //*[@id="position"]/dl[2]/dd/div[1]
51 
52         # 获取城区列表url
53         area_list = response.xpath('//div[@data-role="ershoufang"]/div/a')
54 
55         # 遍历所有区域列表
56         for area in area_list:
57             # print(area)
58             '''
59             .extract()提取多个
60             .extract_first()提取一个
61             '''
62             # 1、区域名称
63             area_name = area.xpath('./text()').extract_first()
64 
65             # 2、区域二级url
66             area_url = 'https://bj.lianjia.com/' + area.xpath('./@href').extract_first()
67 
68             # 会把area_url的请求响应数据交给parse_area方法
69             # yield后面跟着的都会添加到生成器中
70             yield Request(url=area_url, callback=self.parse_area)
71 
72     def parse_area(self, response):
73         # print(response)
74 
75         # 获取主页房源ul标签对象
76         house_list = response.xpath('//ul[@class="sellListContent"]')
77         # print(house_list)
78         if house_list:
79             for house in house_list:
80                 # 房源名称
81                 # //*[@id="leftContent"]/ul/li[1]/div/div[1]/a
82                 house_name = house.xpath('.//div[@class="title"]/a/text()').extract_first()
83                 print(house_name)
84 
85                 # 房源价格
86                 # //*[@id="leftContent"]/ul/li[1]/div/div[4]/div[2]/div[1]/span
87                 house_cost = house.xpath('.//div[@class="totalPrice"]/span/text()').extract_first() + '万'
88                 print(house_cost)
89 
90                 # 房源单价
91                 # //*[@id="leftContent"]/ul/li[1]/div/div[4]/div[2]/div[2]/span
92                 house_price = house.xpath('.//div[@class="unitPrice"]/span/text()').extract_first()
93                 print(house_price)
94 
95                 # yield Request(url='下一级url', callback=self.parse_area)
96                 pass

Scrapy在Pycharm中使用

微信机器人

 1 from wxpy import Bot
 2 from pyecharts import Pie
 3 import webbrowser
 4 
 5 # 实例化一个微信机器人对象
 6 bot = Bot()
 7 
 8 # 获取到微信的所有好友
 9 friends = bot.friends()
10 
11 # 设定男性\女性\位置性别好友名称
12 attr = ['男朋友', '女朋友', '人妖']
13 
14 # 初始化对应好友数量
15 value = [0, 0, 0]
16 
17 # 遍历所有的好友,判断这个好友是男性还是女性
18 for friend in friends:
19     if friend.sex == 1:
20         value[0] += 1
21     elif friend.sex == 2:
22         value[1] += 1
23     else:
24         value[2] += 1
25 
26 # 实例化一个饼状图对象
27 pie = Pie('Forver的好友们!')
28 
29 # 图表名称str，属性名称list，属性所对应的值list，is_label_show是否现在标签
30 pie.add('', attr, value, is_label_show=True)
31 
32 # 生成一个html文件
33 pie.render('friends.html')
34 
35 # 打开html文件
36 webbrowser.open('friends.html')