爬虫能有多简单?看我三分钟教会你爬取百万图片。
什么是爬虫?
如果是没有接触过爬虫的人可能会有些许疑惑,爬虫是个什么东西呢?其实爬虫的概念很简单,在互联网时代,万维网已然是大量信息的载体,如何有效地利用并提取这些信息是一个巨大的挑战。当我们使用浏览器对某个网站发送请求时,服务器会响应HTML
文本并由浏览器来进行渲染显示。爬虫正是利用了这一点,通过程序模拟用户的请求,来获得HTML
的内容,并从中提取需要的数据和信息。如果把网络想象成一张蜘蛛网,爬虫程序则像是蜘蛛网上的蜘蛛,不断地爬取数据与信息。
爬虫的概念非常简单易懂,利用python
内置的urllib
库都可以实现一个简单的爬虫,下面的代码是一个非常简单的爬虫,只要有基本的python
知识应该都能看懂。它会收集一个页面中的所有<a>
标签(没有做任何规则判断)中的链接,然后顺着这些链接不断地进行深度搜索。
from bs4 import BeautifulSoup import urllib import os from datetime import datetime# 网页的实体类,只含有两个属性,url和标题 class Page(object):def __init__(self,url,title):self._url = urlself._title = titledef __str__(self):return '[Url]: %s [Title]: %s' %(self._url,self._title)__repr__ = __str__@propertydef url(self):return self._url@propertydef title(self):return self._title@url.setterdef url(self,value):if not isinstance(value,str):raise ValueError('url must be a string!')if value == '':raise ValueError('url must be not empty!')self._url = value@title.setterdef title(self,value):if not isinstance(value,str):raise ValueError('title must be a string!')if value == '':raise ValueError('title must be not empty!')self._title = valueclass Spider(object):def __init__(self,init_page):self._init_page = init_page # 种子网页,也就是爬虫的入口self._pages = []self._soup = None # BeautifulSoup 一个用来解析HTML的解析器def crawl(self):start_time = datetime.now()print('[Start Time]: %s' % start_time)start_timestamp = start_time.timestamp()tocrawl = [self._init_page] # 记录将要爬取的网页crawled = [] # 记录已经爬取过的网页# 不断循环,直到将这张图搜索完毕while tocrawl:page = tocrawl.pop()if page not in crawled:self._init_soup(page)self._packaging_to_pages(page)links = self._extract_links()self._union_list(tocrawl,links)crawled.append(page)self._write_to_curdir()end_time = datetime.now()print('[End Time]: %s' % end_time)end_timestamp = end_time.timestamp()print('[Total Time Consuming]: %f.3s' % (start_timestamp - end_timestamp) / 1000)def _init_soup(self,page):page_content = Nonetry:# urllib可以模拟用户请求,获得响应的HTML文本内容page_content = urllib.request.urlopen(page).read()except:page_content = ''# 初始化BeautifulSoup,参数二是使用到的解析器名字 self._soup = BeautifulSoup(page_content,'lxml')def _extract_links(self):a_tags = self._soup.find_all('a') # 找到所有a标签links = []# 收集所有a标签中的链接for a_tag in a_tags:links.append(a_tag.get('href'))return linksdef _packaging_to_pages(self,page):title_string = ''try:title_string = self._soup.title.string # 获得title标签中的文本内容except AttributeError as e :print(e)page_obj = Page(page,title_string)print(page_obj)self._pages.append(page_obj)# 将爬取到的所有信息写入到当前目录下的out.txt文件def _write_to_curdir(self):cur_path = os.path.join(os.path.abspath('.'),'out.txt')print('Start write to %s' % cur_path)with open(cur_path,'w') as f:f.write(self._pages)# 将dest中的不存在于src的元素合并到srcdef _union_list(self,src,dest):for dest_val in dest:if dest_val not in src:src.append(dest_val)@propertydef init_page(self):return self._init_page@propertydef pages(self):return self._pagesdef test():spider = Spider('https://sylvanassun.github.io/')spider.crawl()if __name__ == '__main__':test()
但是我们如果想要实现一个性能高效的爬虫,那需要的复杂度也会增长,本文旨在快速实现,所以我们需要借助他人实现的爬虫框架来当做脚手架,在这之上来构建我们的图片爬虫(如果有时间的话当然也鼓励自己造轮子啦)。
BeautifulSoup
BeautifulSoup是一个用于从HTML
和XML
中提取数据的python
库。Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
利用好BeautifulSoup可以为我们省去许多编写正则表达式的时间,如果当你需要更精准地进行搜索时,BeautifulSoup也支持使用正则表达式进行查询。
BeautifulSoup3已经停止维护了,现在基本使用的都是BeautifulSoup4,安装BeautifulSoup4很简单,只需要执行以下的命令。
pip install beautifulsoup4
然后从bs4
模块中导入BeautifulSoup对象,并创建这个对象。
from bs4 import BeautifulSoupsoup = BeautifulSoup(body,'lxml')
创建BeautifulSoup对象需要传入两个参数,第一个是需要进行解析的HTML
内容,第二个参数为解析器的名字(如果不传入这个参数,BeautifulSoup会默认使用python
内置的解析器html.parser
)。BeautifulSoup支持多种解析器,有lxml
、html5lib
、html.parser
。
第三方解析器需要用户自己安装,本文中使用的是lxml
解析器,安装命令如下(它还需要先安装C语言库)。
pip install lxml
下面以一个例子演示使用BeautifulSoup的基本方式,如果还想了解更多可以去参考BeautifulSoup文档。
from bs4 import BeautifulSouphtml = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """soup = BeautifulSoup(html,'lxml') # 格式化输出soup中的内容 print(soup.prettify())# 可以通过.操作符来访问标签对象 title = soup.title print(title) p = soup.p print(p)# 获得title标签中的文本内容,这2个方法得到的结果是一样的 print(title.text) print(title.get_text())# 获得head标签的所有子节点,contents返回的是一个列表,children返回的是一个迭代器 head = soup.head print(head.contents) print(head.children)# 获得所有a标签,并输出每个a标签href属性中的内容 a_tags = soup.find_all('a') for a_tag in a_tags:print(a_tag['href']) # find函数与find_all一样,只不过返回的是找到的第一个标签 print(soup.find('a')['href'])# 根据属性查找,这2个方法得到的结果是一样的 print(soup.find('p',class_='title')) print(soup.find('p',attrs={'class': 'title'}))
Scrapy
Scrapy
是一个功能强大的爬虫框架,它已经实现了一个性能高效的爬虫结构,并提供了很多供程序员自定义的配置。使用Scrapy
只需要在它的规则上编写我们的爬虫逻辑即可。
首先需要先安装Scrapy
,执行命令pip install scrapy
。然后再执行命令scrapy startproject 你的项目名
来生成Scrapy
的基本项目文件夹。生成的项目结构如下。
你的项目名/scrapy.cfg你的项目名/__init__.pyitems.pypipelines.pysettings.pyspiders/__init__.py...
scrapy.cfg
: 项目的配置文件。items.py
:物品模块,用户需要在这个模块中定义数据封装的实体类。pipelines.py
:管道模块,用户需要在这个模块中定义处理数据的逻辑(如存储到数据库等)。settings.py
:这个模块定义了整个项目中的各种配置变量。spiders/
:在这个包中定义用户自己的爬虫模块。
启动Scrapy
的爬虫也很简单,只需要执行命令scrapy crawl 你的爬虫名
。下面介绍Scrapy
中的关键模块的演示案例,如果想要了解有关Scrapy
的更多信息,
items
items
模块主要是为了将爬取到的非结构化数据封装到一个结构化对象中,自定义的item
类必须继承自scrapy.Item
,且每个属性都要赋值为scrapy.Field()
。
import scrapyclass Product(scrapy.Item):name = scrapy.Field()price = scrapy.Field()stock = scrapy.Field()复制代码
操作item
对象就像操作一个dict
对象一样简单。
product = Product() # 对属性赋值 product['name'] = 'Sylvanas' product['price'] = 998 # 获得属性 print(product['name']) print(product['price'])复制代码
pipelines
当一个Item
经由爬虫封装之后将会到达Pipeline
类,你可以定义自己的Pipeline
类来决定将Item
的处理策略。
每个Pipeline
可以实现以下函数。
process_item(item, spider)
: 每个Pipeline
都会调用此函数来处理Item
,这个函数必须返回一个Item
,如果在处理过程中遇见错误,可以抛出DropItem
异常。open_spider(spider)
: 当spider
开始时将会调用此函数,可以利用这个函数进行打开文件等操作。close_spider(spider)
:当spider
关闭时将会调用此函数,可以利用这个函数对IO
资源进行关闭。from_crawler(cls, crawler)
: 这个函数用于获取settings.py
模块中的属性。注意这个函数是一个类方法。
from scrapy.exceptions import DropItemclass PricePipeline(object):vat_factor = 1.15def __init__(self, HELLO):self.HELLO = HELLOdef process_item(self, item, spider):if item['price']:if item['price_excludes_vat']:item['price'] = item['price'] * self.vat_factorreturn itemelse:raise DropItem("Missing price in %s" % item)@classmethoddef from_crawler(cls, crawler):settings = crawler.settings # 从crawler中获得settingsreturn cls(settings['HELLO']) # 返回settings中的属性,将由__init__函数接收复制代码
当定义完你的Pipeline
后,还需要在settings.py
中对你的Pipeline
进行设置。
ITEM_PIPELINES = {# 后面跟的数字是优先级别'pipeline类的全路径': 300, }复制代码
spiders
在spiders
模块中,用户可以通过自定义Spider
类来制定自己的爬虫逻辑与数据封装策略。每个Spider
都必须继承自class scrapy.spider.Spider
,这是Scrapy
中最简单的爬虫基类,它没有什么特殊功能,Scrapy
也提供了其他功能不同的Spider
类供用户选择,这里就不多叙述了,可以去参考官方文档。
用户可以通过以下属性来自定义配置Spider
:
name
: 这是Spider
的名称,Scrapy
需要通过这个属性来定位Spider
并启动爬虫,它是唯一且必需的。allowed_domains
: 这个属性规定了Spider
允许爬取的域名。start_urls
:Spider
开始时将抓取的网页列表。start_requests()
: 该函数是Spider
开始抓取时启动的函数,它只会被调用一次,有的网站必须要求用户登录,可以使用这个函数先进行模拟登录。make_requests_from_url(url)
: 该函数接收一个url
并返回Request
对象。除非重写该函数,否则它会默认以parse(response)
函数作为回调函数,并启用dont_filter
参数(这个参数是用于过滤重复url
的)。parse(response)
: 当请求没有设置回调函数时,则会默认调用parse(response)
。log(message[, level, component])
: 用于记录日志。closed(reason)
: 当Spider
关闭时调用。
import scrapyclass MySpider(scrapy.Spider):name = 'example.com'allowed_domains = ['example.com']start_urls = ['http://www.example.com/1.html','http://www.example.com/2.html','http://www.example.com/3.html',]def parse(self, response):self.log('A response from %s just arrived!' % response.url)复制代码
其他依赖库
Requests
Requests
也是一个第三方python
库,它比python
内置的urllib
更加简单好用。只需要安装(pip install requests
),然后导包后,即可轻松对网站发起请求。
import requests# 支持http的各种类型请求 r = requests.post("http://httpbin.org/post") r = requests.put("http://httpbin.org/put") r = requests.delete("http://httpbin.org/delete") r = requests.head("http://httpbin.org/get") r = requests.options("http://httpbin.org/get")# 获得响应内容 r.text # 返回文本 r.content # 返回字节 r.raw # 返回原始内容 r.json() # 返回json复制代码
关于更多的参数与内容请参考Requests文档。
BloomFilter
BloomFilter
是一个用于过滤重复数据的数据结构,我们可以使用它来对重复的url
进行过滤。本文使用的BloomFilter
来自于python-bloomfilter,其他操作系统用户请使用pip install pybloom
命令安装,windows用户请使用pip install pybloom-live
(原版对windows不友好)。
分析
介绍了需要的依赖库之后,我们终于可以开始实现自己的图片爬虫了。我们的目标是爬https://www.deviantart.com/
网站中的图片,在写爬虫程序之前,还需要先分析一下页面的HTML
结构,这样才能针对性地找到图片的源地址。
为了保证爬到的图片的质量,我决定从热门页面开始爬,链接为https://www.deviantart.com/whats-hot/
。
打开浏览器的开发者工具后,可以发现每个图片都是由一个a
标签组成,每个a
标签的class
为torpedo-thumb-link
,而这个a
标签的href
正好就是这张图片的详情页面(如果我们从这里就开始爬图片的话,那么爬到的可都只是缩略图)。
进入到详情页后,不要马上爬取当前图片的源地址,因为当前页显示的图片并不是原始格式,我们对图片双击放大之后再使用开发者工具抓到这个图片所在的img
标签后,再让爬虫获取这个标签中的源地址。
在获得图片的源地址之后,我的策略是让爬虫继续爬取该页中推荐的更多图片,通过开发者工具,可以发现这些图片都被封装在一个class
为tt-crop thumb
的div
标签中,而该标签里的第一个a
子标签正好就是这个图片的详情页链接。
初始配置
在对网页的HTML
进行分析之后,可以开始写程序了,首先先用Scrapy
的命令来初始化项目。之后在settings.py
中做如下配置。
# 这个是网络爬虫协议,爬虫访问网站时都会检查是否有robots.txt文件, # 然后根据文件中的内容选择性地进行爬取,我们这里设置为False即不检查robots.txt ROBOTSTXT_OBEY = False# 图片下载的根目录路径 IMAGES_STORE = '.'# 图片最大下载数量,当下载的图片达到这个数字时,将会手动关闭爬虫 MAXIMUM_IMAGE_NUMBER = 10000复制代码
然后定义我们的Item
。
import scrapyclass DeviantArtSpiderItem(scrapy.Item):author = scrapy.Field() # 作者名image_name = scrapy.Field() # 图片名image_id = scrapy.Field() # 图片idimage_src = scrapy.Field() # 图片的源地址复制代码
创建自己的spider
模块与Spider
类。
import requests from bs4 import BeautifulSoup # this import package is right,if PyCharm give out warning please ignore from deviant_art_spider.items import DeviantArtSpiderItem from pybloom_live import BloomFilter from scrapy.contrib.linkextractors.lxmlhtml import LxmlLinkExtractor from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.http import Requestclass DeviantArtImageSpider(CrawlSpider):name = 'deviant_art_image_spider'# 我不想让scrapy帮助过滤所以设置为空allowed_domains = ''start_urls = ['https://www.deviantart.com/whats-hot/']rules = (Rule(LxmlLinkExtractor(allow={'https://www.deviantart.com/whats-hot/[\?\w+=\d+]*', }),callback='parse_page', # 设置回调函数follow=True # 允许爬虫不断地跟随链接进行爬取),)headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36"" (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36","Referer": "https://www.deviantart.com/"}# 初始化BloomFilterfilter = BloomFilter(capacity=15000)复制代码
DeviantArtImageSpider
继承自CrawlSpider
,该类是Scrapy
最常用的Spider
类,它通过Rule
类来定义爬取链接的规则,上述代码中使用了正则表达式https://www.deviantart.com/whats-hot/[\?\w+=\d+]*
,这个正则表达式将访问每一页的热门页面。
解析热门页面
爬虫启动时将会先访问热门页面,请求得到响应之后会调用回调函数,我们需要在这个回调函数中获取上述分析中得到的<a class = 'torpedo-thumb-link'>
标签,然后抽取出每张图片的详情页链接。
def parse_page(self, response):soup = self._init_soup(response, '[PREPARING PARSE PAGE]')if soup is None:return None# 找到所有class为torpedo-thumb-link的a标签 all_a_tag = soup.find_all('a', class_='torpedo-thumb-link')if all_a_tag is not None and len(all_a_tag) > 0:for a_tag in all_a_tag:# 提取图片详情页,然后对详情页链接发起请求,并设置回调函数detail_link = a_tag['href']request = Request(url=detail_link,headers=self.headers,callback=self.parse_detail_page)# 通过request与response对象来传递Itemrequest.meta['item'] = DeviantArtSpiderItem()yield requestelse:self.logger.debug('[PARSE FAILED] get <a> tag failed')return None# 初始化BeautifulSoup对象def _init_soup(self, response, log):url = response.urlself.headers['Referer'] = urlself.logger.debug(log + ' ' + url)body = requests.get(url, headers=self.headers, timeout=2).contentsoup = BeautifulSoup(body, 'lxml')if soup is None:self.logger.debug('[PARSE FAILED] read %s body failed' % url)return Nonereturn soup复制代码
解析详情页
parse_page()
函数会不断地发送请求到详情页链接,解析详情页的回调函数需要处理数据封装到Item
,还需要提取详情页中更多图片的详情链接然后发送请求。
def parse_detail_page(self, response):if response.url in self.filter:self.logger.debug('[REPETITION] already parse url %s ' % response.url)return Nonesoup = self._init_soup(response, '[PREPARING DETAIL PAGE]')if soup is None:return None# 包装Item并返回 yield self.packing_item(response.meta['item'], soup)self.filter.add(response.url)# 继续抓取当前页中的其他图片all_div_tag = soup.find_all('div', class_='tt-crop thumb')if all_div_tag is not None and len(all_div_tag) > 0:for div_tag in all_div_tag:detail_link = div_tag.find('a')['href']request = Request(url=detail_link,headers=self.headers,callback=self.parse_detail_page)request.meta['item'] = DeviantArtSpiderItem()yield requestelse:self.logger.debug('[PARSE FAILED] get <div> tag failed')return None# 封装数据到Itemdef packing_item(self, item, soup):self.logger.debug('[PREPARING PACKING ITEM]..........')img = soup.find('img', class_='dev-content-full')img_alt = img['alt'] # alt属性中保存了图片名与作者名item['image_name'] = img_alt[:img_alt.find('by') - 1]item['author'] = img_alt[img_alt.find('by') + 2:]item['image_id'] = img['data-embed-id'] # data-embed-id属性保存了图片iditem['image_src'] = img['src']self.logger.debug('[PACKING ITEM FINISHED] %s ' % item)return item复制代码
处理Item
对于Item
的处理,只是简单地将图片命名与下载到本地。我没有使用多进程或者多线程,也没有使用Scrapy
自带的ImagePipeline
(自由度不高),有兴趣的童鞋可以自己选择实现。
import requests import threading import os from scrapy.exceptions import DropItem, CloseSpiderclass DeviantArtSpiderPipeline(object):def __init__(self, IMAGE_STORE, MAXIMUM_IMAGE_NUMBER):if IMAGE_STORE is None or MAXIMUM_IMAGE_NUMBER is None:raise CloseSpider('Pipeline load settings failed')self.IMAGE_STORE = IMAGE_STOREself.MAXIMUM_IMAGE_NUMBER = MAXIMUM_IMAGE_NUMBER# 记录当前下载的图片数量self.image_max_counter = 0# 根据图片数量创建文件夹,每1000张在一个文件夹中self.dir_counter = 0def process_item(self, item, spider):if item is None:raise DropItem('Item is null')dir_path = self.make_dir()# 拼接图片名称image_final_name = item['image_name'] + '-' + item['image_id'] + '-by@' + item['author'] + '.jpg'dest_path = os.path.join(dir_path, image_final_name)self.download_image(item['image_src'], dest_path)self.image_max_counter += 1if self.image_max_counter >= self.MAXIMUM_IMAGE_NUMBER:raise CloseSpider('Current downloaded image already equal maximum number')return itemdef make_dir(self):print('[IMAGE_CURRENT NUMBER] %d ' % self.image_max_counter)if self.image_max_counter % 1000 == 0:self.dir_counter += 1path = os.path.abspath(self.IMAGE_STORE)path = os.path.join(path, 'crawl_images')path = os.path.join(path, 'dir-' + str(self.dir_counter))if not os.path.exists(path):os.makedirs(path)print('[CREATED DIR] %s ' % path)return pathdef download_image(self, src, dest):print('[Thread %s] preparing download image.....' % threading.current_thread().name)response = requests.get(src, timeout=2)if response.status_code == 200:with open(dest, 'wb') as f:f.write(response.content)print('[DOWNLOAD FINISHED] from %s to %s ' % (src, dest))else:raise DropItem('[Thread %s] request image src failed status code = %s'% (threading.current_thread().name, response.status_code))@classmethoddef from_crawler(cls, crawler):settings = crawler.settingsreturn cls(settings['IMAGES_STORE'], settings['MAXIMUM_IMAGE_NUMBER'])复制代码
在settings.py
中注册该Pipeline
ITEM_PIPELINES = {'deviant_art_spider.pipelines.DeviantArtSpiderPipeline': 300, }复制代码
IP代理池
有些网站会有反爬虫机制,为了解决这个问题,每次请求都使用不同的IP
代理,有很多网站提供IP
代理服务,我们需要写一个爬虫从云代理中抓取它提供的免费IP
代理(免费IP
很不稳定,而且我用了代理之后反而各种请求失败了Orz...)。
import osimport requests from bs4 import BeautifulSoupclass ProxiesSpider(object):def __init__(self, max_page_number=10):self.seed = 'http://www.ip3366.net/free/'self.max_page_number = max_page_number # 最大页数self.crawled_proxies = [] # 爬到的ip,每个元素都是一个dictself.verified_proxies = [] # 校验过的ipself.headers = {'Accept': '*/*','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'' Chrome/45.0.2454.101 Safari/537.36','Accept-Language': 'zh-CN,zh;q=0.8'}self.tocrawl_url = []def crawl(self):self.tocrawl_url.append(self.seed)page_counter = 1while self.tocrawl_url:if page_counter > self.max_page_number:breakurl = self.tocrawl_url.pop()body = requests.get(url=url, headers=self.headers, params={'page': page_counter}).contentsoup = BeautifulSoup(body, 'lxml')if soup is None:print('PARSE PAGE FAILED.......')continueself.parse_page(soup)print('Parse page %s done' % (url + '?page=' + str(page_counter)))page_counter += 1self.tocrawl_url.append(url)self.verify_proxies()self.download()# 解析页面并封装def parse_page(self, soup):table = soup.find('table', class_='table table-bordered table-striped')tr_list = table.tbody.find_all('tr')for tr in tr_list:ip = tr.contents[1].textport = tr.contents[3].textprotocol = tr.contents[7].text.lower()url = protocol + '://' + ip + ':' + portself.crawled_proxies.append({url: protocol})print('Add url %s to crawled_proxies' % url)# 对ip进行校验def verify_proxies(self):print('Start verify proxies.......')while self.crawled_proxies:self.verify_proxy(self.crawled_proxies.pop())print('Verify proxies done.....')def verify_proxy(self, proxy):proxies = {}for key in proxy:proxies[str(proxy[key])] = key # requests的proxies的格式必须为 协议 : 地址try:if requests.get('https://www.deviantart.com/', proxies=proxies, timeout=2).status_code == 200:print('verify proxy success %s ' % proxies)self.verified_proxies.append(proxy)except:print('verify proxy fail %s ' % proxies)# 保存到文件中def download(self):current_path = os.getcwd()parent_path = os.path.dirname(current_path)with open(parent_path + '\proxies.txt', 'w') as f:for proxy in self.verified_proxies:for key in proxy.keys():f.write(key + '\n')if __name__ == '__main__':spider = ProxiesSpider()spider.crawl()复制代码
得到了IP
代理池之后,还要在Scrapy
的middlewares.py
模块定义代理中间件类。
import time from scrapy import signals import os import randomclass ProxyMiddleware(object):# 每次请求前从IP代理池中选择一个IP代理并进行设置def process_request(self, request, spider):proxy = self.get_proxy(self.make_path())print('Acquire proxy %s ' % proxy)request.meta['proxy'] = proxy# 请求失败,重新设置IP代理def process_response(self, request, response, spider):if response.status != 200:proxy = self.get_proxy(self.make_path())print('Response status code is not 200,try reset request proxy %s ' % proxy)request.meta['proxy'] = proxyreturn requestreturn responsedef make_path(self):current = os.path.abspath('.')parent = os.path.dirname(current)return os.path.dirname(parent) + '\proxies.txt'# 从IP代理文件中随机获得一个IP代理地址def get_proxy(self, path):if not os.path.isfile(path):print('[LOADING PROXY] loading proxies failed proxies file is not exist')while True:with open(path, 'r') as f:proxies = f.readlines()if proxies:breakelse:time.sleep(1)return random.choice(proxies).strip()复制代码
最后在settings.py
中进行注册。
DOWNLOADER_MIDDLEWARES = {# 这个中间件是由scrapy提供的,并且它是必需的'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 543, # 我们自定义的代理中间件'deviant_art_spider.middlewares.ProxyMiddleware': 540 }复制代码
End
我们的图片爬虫已经完成了,执行命令scrapy crawl deviant_art_image_spider
,然后尽情搜集图片吧!
很简单吧。点这里可加入解答基地或源码免费共享基地哦
爬虫能有多简单?看我三分钟教会你爬取百万图片。相关推荐
- 三十一、Scrapy爬取百度图片
@Author:Runsen Runsen近段时间进入Scrapy,写了几个爬虫练练手,就找百度图片入手了.本文就是Scrapy的入门文章. 文章目录 目标 创建项目 分析逻辑 代码 目标 爬取 百度 ...
- python爬虫正则表达式爬取网页标签_Python爬虫实例(4)-用urllib、re和正则表达式爬取网页图片...
文章目录简介正则爬虫Demo本例知识点 简介 python的第三方包极多种,尽量多看多用,对开发者来说是很好的.在爬虫领域,请求网页,除了requests包之外,还有urllib.request模块: ...
- 爬虫百战穿山甲(5)用大并发的手段批量爬取小图片
网页分析 网址:百度图片:超前消费 因为我下一场直播(2021.4.24)的主题是超前消费,那就爬超前消费主题的图片吧. 看了一下,这个网页是下拉式的动态网页,根据我们前几篇的经验,直接找网络包吧,也 ...
- 爬虫学习笔记(三)——利用JSON爬取豆瓣热映的使用
系列文章目录 爬虫学习笔记(一):requests基础用法之爬取各类主流网站1 爬虫学习笔记(二):requests基础用法之爬取各类主流网站2 文章目录 系列文章目录 前言 一.JSON是什么? 二 ...
- java爬虫-简单爬取网页图片
刚刚接触到"爬虫"这个词的时候是在大一,那时候什么都不明白,但知道了百度.谷歌他们的搜索引擎就是个爬虫. 现在大二.再次燃起对爬虫的热爱,查阅资料,知道常用java.python语 ...
- 一个咸鱼的python_一个咸鱼的Python爬虫之路(三):爬取网页图片
学完Requests库与Beautifulsoup库我们今天来实战一波,爬取网页图片.依照现在所学只能爬取图片在html页面的而不能爬取由JavaScript生成的图. 所以我找了这个网站 http: ...
- 都2022年你还不会安装系统?看我三分钟完事PE制作并进行Win11系统安装实践
本章目录: 1.PE启用盘的下载制作 2.Win11镜像的下载 3.进PE安装Windows11(敲黑板) 4.Win11初始化操作 都2022年你还不会安装系统?看我三分钟完事PE制作并进行Win1 ...
- 利用python爬虫爬取斗鱼图片(简单详细)
关于 在一个安静的夜晚,我缓慢的打开了电脑,望着已经睡着的父母,我轻轻的把门关上,看着斗鱼颜值主播的魅力,我不尽感叹,要是每天都可以不需要那么麻烦的去看那该有多好! 于是我想起了最近刚学的爬虫,嘴角露 ...
- 建网站的最简单方法(三分钟带后台)
建网站的最简单方法(三分钟带后台) 准备材料 服务器或者本地环境 安装过程 准备材料 织梦二次开发模板或者Ecshop二次开发模板等(我以织梦为例讲解) 如果是本地需要下载ComsenzEXP或者Wa ...
最新文章
- win10安装JDK cmd中可以运行java,但不能用javac,解决方案
- [转载]Oracle 游标使用全解
- 【深度学习】超级赞!N个神经网络可视化利器
- nssl1216-码灵鼠【数学】
- 如果番茄花园在美国...
- 2010.11.13信息系统项目管理师考试下午试题答题思路剖析
- 今日你以老师为荣,明日老师以你为荣!
- Matlab矩阵的运算
- 风云崛起之matlab求解电路状态方程
- mro列表_类的继承mro
- Siebel应用数据结构层次
- 运用百度智能云车型识别API分析具体车型
- DRM dumb,prime介绍
- 关爱中老年健康,践行康养华夏,中老年春晚《康养华夏》栏目启动大会在广州盛大举行
- layui表格table固定表头第一行固定显示
- 一般人我都不告诉他们
- iOS程序员眼中的首次使用产品体验
- 2022年最新IDEA下载教程
- 【微信小程序】语音播报,文字转语音,使用《微信同声传译插件》
- GB28181协议 SPVMN视频监控联网调测软件