PDF转Excel:高效去除AI特征,实现数据自由编辑
853
2022-05-29
本篇博客复盘一下 scrapy 相关知识,首先从 Resquest 和 Response 对象开始。
Request 对象
在 scrapy 中 Request 对象代表着请求,即向服务器发送数据,该对象的构造函数原型如下所示:
def __init__(self, url, callback=None, method='GET', headers=None, body=None, cookies=None, meta=None, encoding='utf-8', priority=0, dont_filter=False, errback=None, flags=None, cb_kwargs=None)
其中只有 url 为必填参数,具体说明如下:
callback:页面解析函数,当 Request 请求获取到 Response 响应之后,设定的函数会被调用,默认是 self.parse 方法;
method:请求类型,默认为 GET,所以使用 Request 是可以发送 POST 的请求的,FormRequest 类是 Request 类的子类;
headers:请求头,字典类型;
body:请求的正文,需要 bytes 类型或 str 类型;
cookies:Cookie 字典,dict 类型;
meta:元数据字典,dict 类型,可以给其它组件传递信息;
encoding:url和body参数的编码,注意不是数据响应编码;
priority:请求的优先级,默认为0,数值越大,优先级越高;
dont_filter:默认值为 False,该参数表示是否重复请求相同地址;
errback:请求异常时的回调函数。
Response 对象
在 scrapy 中,Response 对象表示请求响应对象,即服务器返回给爬虫的数据,其构造函数原型如下:
def __init__(self,url,status=200,headers=None,body=b"", flags=None, request=None,certificate=None,ip_address=None,protocol=None, )
与 Request 一致,该方法中仅 url 为必填参数,不过一般很少用到手动创建一个 Response 对象实例的场景。
Response 类衍生出来一个子类 TextResponse,然后 TextResponse 又衍生出来 HtmlResponse 和 XmlResponse。
Response 包括的属性和方法如下:
属性清单
url:响应地址;
status:响应状态码;
headers:响应头;
encoding:响应正文的编码;
body:响应正文,bytes 类型;
text:文本形式的响应正文,将 body 进行编码之后的数据;
request:获取请求对象;
meta:元数据字典,dict 类型,请求传递过来的参数;
selector:选择器对象。
方法清单
xpath():XPath 选择器;
css():CSS 选择器;
urljoin():就是 urllib.parse 模块的 urljoin();
json():将响应数据序列化为 JSON 格式;
关于 Request 和 Response 类的相关源码,可以在 scrapy\http 目录查看。
ItemPipeline
数据管道在 scrapy 中主要对数据进行处理,在实际开发过程中需要注意一个 ItemPipeline ,只负责一种功能的数据处理,当然在 scrapy 中你可以创建多个 ItemPipeline。
ItemPipeline 的使用场景
数据清洗,例如去重,去除异常数据;
数据保存方式编写,例如存储 Mongodb,MySQL,Redis 数据库。
在编写 ItemPipeline 类的时候,不需要其继承特定类,只需要实现固定名称的方法即可,在之前的博客中已经反复提及,自定义 ItemPipeline 类需要实现 process_item()、open_spider(),close_spider() 方法,其中 process_item() 必须实现。
process_item() 返回值是 Item 或者字典,也可以返回一个 DropItem 类型的数据,此时该项 item 会被忽略,不会被后面的 ItemPipeline 处理。
过滤数据的逻辑实现
如果希望在 ItemPipeline 实现过滤数据,使用集合即可,发现集合中已经存在数据了,抛出 DropItem 即可。
LinkExtractor 提取链接
scrapy 编写的爬虫在提取大量链接时,使用 LinkExtractor 会更加便捷。
使用 from scrapy.linkextractors import LinkExtractor 导入 LinkExtractor ,该类的构造函数如下所示:
def __init__(self, allow=(), deny=(),allow_domains=(),deny_domains=(),restrict_xpaths=(), tags=('a', 'area'),attrs=('href',),canonicalize=False,unique=True,process_value=None, deny_extensions=None,restrict_css=(),strip=True,restrict_text=None, )
其中各个参数说明如下:
allow:一个正则表达式或正则表达式列表,提取正则表达式匹配的 url,默认全部提取;
deny:与 allow 相反;
allow_domains:字符串或者列表,domain 限制;
deny_domains:与上面相反;
restrict_xpaths:按照 xpath 提取;
restrict_css:安装 css 选择器提取;
tags:提取指定标签内的链接;
attrs:提取指定属性内的链接;
process_value:函数类型,传入该参数之后,LinkExtractor 会将其匹配到的所有链接,都传入该函数进行处理。
下面的代码是提取 Response 对象中的链接,需要使用 extract_links() 方法。
def parse(self, response): link = LinkExtractor() all_links = link.extract_links(response) print(all_links)
创建一个LinkExtractor对象;
使用构造器参数描述提取规则;
调用LinkExtractor对象的 extract_links 方法传入一个Response对象,返回一个列表;
使用列表中的任意元素调用 .url 或者 .text 获取链接和链接文本。
爬虫编码时间
本次的目标站点是:淘数据-行业报告
完整代码编写如下所示,使用 LinkExtractor 提取页面超链接。
import scrapy from tao.items import TaoItem from scrapy.linkextractors import LinkExtractor class TaoDataSpider(scrapy.Spider): name = 'tao_data' allowed_domains = ['taosj.com'] start_urls = [f'https://www.taosj.com/articles?pageNo={page}' for page in range(1, 124)] def parse(self, response): link_extractor = LinkExtractor(allow=r'www\.taosj\.com/articles/\d+', restrict_css='a.report-page-list-title') links = link_extractor.extract_links(response) for l in links: item = { "url": l.url, "text": l.text } yield item
写在后面
今天是持续写作的第
256
/ 365 天。
期待
关注
,
、
评论
、
。
Python Scrapy
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。