Python網絡爬蟲

Python開發簡單爬蟲（Python2.X版本，Eclipse工具）

一、爬蟲介紹

爬蟲調度端：啟動、停止爬蟲，監視爬蟲運行情況
URL管理器：管理將要爬取的URL和已經爬取的URL
網頁下載器：下載URL指定的網頁，存儲成字符串
網頁解析器：提取有價值的數據，提取關聯URL補充URL管理器

二、URL管理器

三、網頁下載器

（1）方法一

（2）方法二

header：http頭信息
data：用戶輸入信息

（3）方法三

HTTPCookieProcessor：需登錄的網頁
ProxyHandler：需代理訪問的網頁
HTTPSHandler：加密訪問的網頁
HTTPRedirectHandler：URL自動跳轉的網頁

# coding:utf8   #出現編碼錯誤時添加

import urllib2
import cookielib
url = "http://www.baidu.com"

print '第一種方法'
response1 = urllib2.urlopen(url)
print response1.getcode()
print len(response1.read())

print '第二種方法'
request = urllib2.Request(url)
request.add_header('user_agent', 'Mozilla/5.0')
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())

print '第三種方法'
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(request)
print response3.getcode()
print cj
print response3.read()

四、網頁解析器

Python 自帶：html.parser
第三方：BeautifulSoup，lxml

安裝beautifulsoup4
1.命令提示符中進入安裝Python的文件夾中~\Python27\Scripts
2.輸入pip install beautifulsoup4

calss 為Python的關鍵詞，所以用class_表示。

以字典形式可訪問節點所有屬性

參考：Python爬蟲利器二之Beautiful Soup的用法

# coding:utf8

import re
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a  class="sister" id="link1">Elsie</a>,
<a  class="sister" id="link2">Lacie</a> and
<a  class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')

print '獲取所有的鏈接'
links = soup.find_all('a')
for link in links:
    print link.name, link['href'], link.get_text()

print '獲取Lacie的 鏈接'
link_node = soup.find('a',)
print link_node.name, link_node['href'], link_node.get_text()

print '正則匹配'
link_node = soup.find('a',href = re.compile(r'ill'))
print link_node.name, link_node['href'], link_node.get_text()

print '獲取p段落文字'
p_node = soup.find('a',class_ = "title")
print p_node.name, p_node.get_text()

結果：
獲取所有的鏈接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
獲取Lacie的 鏈接
a http://example.com/lacie Lacie
正則匹配
a http://example.com/tillie Tillie
獲取p段落文字
p The Dormouse's story

Eclipse：ctrl+shift+M或Ctrl+Shift+o或Ctrl+1可以自動導入相應的包或創建相應的類或方法。

五、實例

觀察目標，定制策略，策略要根據目標的變化實時更新。

精通Python網絡爬蟲（Python3.X版本，PyCharm工具）

一、爬蟲類型

通用網絡爬蟲：全網爬蟲。由初始URL集合、URL隊列、頁面爬行模塊、頁面分析模塊、頁面數據庫、鏈接過濾模塊等構成。
聚焦網絡爬蟲：主題爬蟲。由初始URL集合、URL隊列、頁面爬行模塊、頁面分析模塊、頁面數據庫、鏈接過濾模塊，內容評價模塊、鏈接評價模塊等構成。
增量網絡爬蟲：增量式更新，盡可能爬取新頁面（更新改變的部分）。
深層網絡爬蟲：隱藏在表單后，需要提交一定關鍵詞才能獲取的頁面。URL列表、LVS列表（LVS指標簽/數值集合，即填充表單的數據源）、爬行控制器、解析器、LVS控制器、表單分析器、表單處理器、響應分析器等構成。

二、核心技術

PyCharm常用快捷鍵：
Alt+Enter：快速導入包
Ctrl+z：撤銷，Ctrl+Shift+z：反撤銷

（1）Urllib庫

1）Python2.X與Python3.X區別

Python2.X	Python3.X
`import urllib2`	`import urllib.requset, urllib.error`
`import urllib`	`import urllib.requset, urllib.error, urllib.parse`
`urllib2.urlopen`	`urllib.request.urlopen`
`urllib.urlencode`	`urllib.parse.urlencode`
`urllib.quote`	`urllib.request.quote`
`urllib.CookieJar`	`http.CookieJar`
`urllib.Request`	`urllib.request.Request`

2）快速爬取網頁

import urllib.request

# 爬取百度網頁內容
file = urllib.request.urlopen("http://www.baidu.com", timeout=30) # timeout超時設置，單位：秒
data = file.read()            #讀取文件全部內容，字符串類型
dataline = file.readline()    #讀取文件一行內容
datalines = file.readlines()  #讀取文件全部內容，列表類型

# 以html格式存儲到本地
fhandle = open("/.../1.html","wb")
fhandle.write(data)
fhandle.close()

# 快捷存儲到本地
filename = urllib.request.urlretrieve("http://www.baidu.com",filename="/.../1.html")
urllib.request.urlcleanup() #清除緩存

# 其他常用方法
file.getcode() #響應狀態碼，200為鏈接成功
file.geturl() #爬取的源網頁

# URL編碼(當URL中存在漢字等不符合標準的字符時需要編碼后爬取)
urllib.request.quote("http://www.baidu.com")  # http%3A//www.baidu.com
# URL解碼
urllib.request.unquote("http%3A//www.baidu.com") # http://www.baidu.com

注意：URL中存在漢字如https://www.baidu.com/s?wd=電影，爬取該URL時實際傳入URL應該是"https://www.baidu.com/s?wd=" + urllib.request.quote("電影")，而不應該是urllib.request.quote("https://www.baidu.com/s?wd=電影")

3）瀏覽器模擬（應對403禁止訪問）

import urllib.request

url = "http://baidu.com"
# 方法一
headers = ("User-Agent",
           "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()

# 方法二
req = urllib.request.Request(url)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

4）POST請求

import urllib.request
import urllib.parse

url = "http://www.iqianyue.com/mypost"   # 測試網站
# 將數據使用urlencode編碼處理后，使用encode()設置為utf-8編碼
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")
req = urllib.request.Request(url, postdata)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

注意：
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")，必須encode("utf-8")編碼后才可使用，實際結果為b'name=abc&pass=111'，未編碼結果為name=abc&pass=111

5）代理服務器設置（應對IP被屏蔽、403）

def use_proxy(proxy_add, url):
    import urllib.request
    proxy = urllib.request.ProxyHandler({'http': proxy_add})
    opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
    # 創建全局默認opener對象，這樣使用urlopen()也會使用該對象
    urllib.request.install_opener(opener)
    # 解碼類型與網頁編碼格式一致
    data = urllib.request.urlopen(url).read().decode("gb2312") 
    return data

# 代理IP可用百度搜索
data = use_proxy("116.199.115.79:80", "http://www.baidu.com")
print(data)

注意：encode()：編碼，decode()：解碼

例如（Python3.X）：
u = '中文'
str = u.encode('utf-8') # 結果：b'\xe4\xb8\xad\xe6\x96\x87'，為字節類型
u1 = str.decode('utf-8') # 結果：中文

過程：
str(unicode) --[encode('utf-8')]--> bytes --[decode('utf-8')]--> str(unicode)

6）DebugLog調試日志

import urllib.request

httphd = urllib.request.HTTPHandler(debuglevel=1)
httpshd = urllib.request.HTTPSHandler(debuglevel=1)

opener = urllib.request.build_opener(httphd, httpshd)
urllib.request.install_opener(opener)
data = urllib.request.urlopen("http://www.baidu.com")

運行結果：

send: b'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.baidu.com\r\nUser-Agent: Python-urllib/3.6\r\nConnection: close\r\n\r\n'
reply: 'HTTP/1.1 200 OK\r\n'
header: Date header: Content-Type header: Transfer-Encoding header: Connection header: Vary header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: P3P header: Cache-Control header: Cxy_all header: Expires header: X-Powered-By header: Server header: X-UA-Compatible header: BDPAGETYPE header: BDQID header: BDUSERID

7）異常處理

URLError：1）連接不上服務器。2）遠程URL不存在。3）無網絡。4）HTTPError：
200：OK
301：Moved Permanently——重定向到新的URL
302：Found——重定向到臨時的URL
304：Not Modified——請求資源未更新
400：Bad Request——非法請求
401：Unauthorized——請求未經授權
403：Forbidden——禁止訪問
404：Not Found——未找到對應頁面
500：Internal Server Error——服務器內部錯誤
501：Not Implemented——服務器不支持實現請求所需要的功能

import urllib.error
import urllib.request

try:
    urllib.request.urlopen("http://www.baidu.com")
except urllib.error.URLError as e:
    if hasattr(e, "code"):
        print(e.code)
    if hasattr(e, "reason"):
        print(e.reason)

（2）正則表達式

1）基本語法（適用其他）

1.單個字符匹配

[...]匹配字符集內的任意字符
\w包括[a-zA-Z0-9]即匹配所以大小寫字符及數字，以及下劃線

2.多個字符匹配

因為*匹配前個字符0到無限次，所以*?匹配前個字符0次，既不匹配前個字符。
因為+匹配前個字符1到無限次，所以+?匹配前個字符1次。
因為?匹配前個字符0或1次，所以??匹配前個字符0次，既不匹配前個字符。

3.邊界匹配
4.分組匹配

\<num>引用編號為num的分組匹配的字符串：

代碼1：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').group()
結果：<book>python</book>python
代碼2：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').groups()
結果：('book>','python')

解釋：.groups()方法返回分組匹配的字符串集合，指總體匹配模式中()內的分組匹配模式匹配的結果集。代碼1中'<(book>)(python)</\1\2'為總體匹配模式，其中有(book>)和(python)兩個分組匹配模式，代碼2結果就為這兩個分組匹配模式匹配的結果集，\<num>就是通過num來引用該結果集中的字符串，\1為book>,\2為python。

用(?P<name>)和(?P=name)替代，代碼1還可以寫為：
re.match(r'<(?P<mark1>book>)(?P<mark2>python)</(?P=mark1)(?P=mark2)','<book>python</book>python').group()

5.模式修改

符號	含義
`I`	匹配時忽略大小寫
`M`	多行匹配
`L`	做本地化識別匹配
`U`	根據Unicode字符及解析字符
`S`	讓`.`匹配包括換行符，使`.`可以匹配任意字符

2）re模塊

import re
str = ‘imooc python’

pa = re.compile(r'imooc') #匹配‘imooc’字符串
ma = pa.match(str)
# 等價于
ma = re.match(r'imooc', str)

ma.string   #被匹配字符串
ma.re       #匹配模式(pa值)
ma.group()  #匹配結果
ma.span()   #匹配位置

pa = re.compile(r'imooc', re.I) #匹配‘imooc’字符串,不管大小寫

# 上述最終可寫為
ma = re.match(r'imooc', 'imooc python', re.I)

樣式字符串前r的用法：
（1）帶上r，樣式字符串為原字符串，后面的樣式字符串是什么匹配什么，里面即使有轉義字符串也按普通字符串匹配。
（2）不帶r，樣式字符串無轉義字符串不影響，有轉義字符串需考慮轉義字符串進行匹配。
例子中r'imooc\\n'相當于imooc\\n，'imooc\\n'相當于imooc\n，因為'\\'為轉義字符串時相當于'\'

march從頭開始匹配，找出字符串開頭符合匹配樣式的部分，開頭無符合返回NoneType
seach從頭開始匹配，找出字符串內第一個符合匹配樣式的部分并返回，字符串內無符合返回NoneType

sub()參數中repl可以是用來替代的字符串，也可以是一個函數且該函數需返回一個用來替換的字符串。count為替換次數，默認為0，為都替換。
re.sub(r'\d+','100','imooc videnum=99')
re.sub(r'\d+',lambda x: str(int(x.group())+1),'imooc videnum=99')
結果：'imooc videnum=100'
lambda x: str(int(x.group())+1)為匿名函數，其中冒號前的x為函數參數，默認傳入匹配的結果對象，需要用.group()方法獲取結果字符串。冒號后算式的結果為返回值。也可以寫成：

def add(x):
    val = x.group()
    num = int(val)+1
    return str(num)

re.sub(r'\d+',add,'imooc videnum=99')

（3）Cookie用法（應對模擬登陸）

import urllib.request
import urllib.parse
import http.cookiejar

# 創建CookieJar對象
cjar = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor創建cookie處理器，并以其為參數創建opener對象
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
# 將opener安裝為全局
urllib.request.install_opener(opener)

# 網站登錄頁
url1 = 'http://xxx.com/index.php/login/login_new/'
# 登陸所需要POST的數據
postdata = urllib.parse.urlencode({
            'username': 'xxx',
            'password': 'xxx'
            }).encode("utf-8")
req = urllib.request.Request(url1, postdata)
# 網站登陸后才能訪問的網頁
url2 = 'http://xxx.com/index.php/myclass'

# 登陸網站
file1 = urllib.request.urlopen(req)
# 爬取目標網頁信息
file2 = urllib.request.urlopen(url2).read()

（4）多線程與隊列

# 多線程基礎
import threading

class A(threading.Thread):
    def __init__(self):
        # 初始化該線程
        threading.Thread.__init__(self)

    def run(self):
        # 該線程要執行的內容
        for i in range(10):
            print("線程A運行")

class B(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)

    def run(self):
        for i in range(10):
            print("線程B運行")

t1 = A()
t1.start()

t2 = B()
t2.start()

# 隊列基礎（先進先出）
import queue
# 創建隊列對象
a = queue.Queue()
# 數據傳入隊列
a.put("hello")
a.put("php")
a.put("python")
a.put("bye")
# 結束數據傳入
a.task_done()

for i in range(4):
    # 取出數據
    print(a.get())

（5）瀏覽器偽裝

Headers信息：

Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8

Accept：瀏覽器支持內容類型，支持優先順序從左往右依次排序
text/html：HTML文檔
application/xhtml+xml：XHTML文檔
application/xml：XML文檔

Accept-Encoding:gzip, deflate, sdch（設置該字段，從服務器返回的是對應形式的壓縮代碼（瀏覽器會自動解壓縮），因此可能出現亂碼）

Accept-Encoding：瀏覽器支持的壓縮編碼方式
deflate：一種無損數據壓縮的算法

Accept-Language:zh-CN,zh;q=0.8

Accept-Language：支持的語言類型
zh-CN：zh中文，CN簡體
en-US：英語（美國）

Connection:keep-alive

Connection：客戶端與服務端連接類型
keep-alive：持久性連接
close：連接斷開

Referer:http://123.sogou.com/（某些反爬蟲網址可能檢驗該字段，一般可以設置為要爬取網頁的域名地址或對應網址的主頁地址）

Referer：來源網址

·.addheaders方法傳入格式為：[('Connection','keep-alive'),("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0"),...]

三、Scrapy框架

（1）常見爬蟲框架

Scrapy框架：https://scrapy.org/
Crawley框架
Portia框架：有網頁版
newspaper框架
python-goose框架

（2）安裝Scrapy

Python2.X和Python3.X同時安裝，命令提示符：
py -2：啟動Python2.X
py -3：啟動Python3.X
py -2 -m pip install ...：使用Python2.X pip安裝
py -3 -m pip install ...：使用Python3.X pip安裝
安裝超時：
手動指定源，在pip后面跟-i，命令如下：
pip install packagename -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pipy國內鏡像目前有：
豆瓣 http://pypi.douban.com/simple/
阿里云 http://mirrors.aliyun.com/pypi/simple/
中國科技大學 https://pypi.mirrors.ustc.edu.cn/simple/
清華大學 https://pypi.tuna.tsinghua.edu.cn/simple/
華中理工大學 http://pypi.hustunique.com/
山東理工大學 http://pypi.sdutlinux.org/
出現如下錯誤：
error:Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
解決方案：
在http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下載twisted對應版本的whl文件，cp后面是python版本，amd64代表64位，以Python位數為準
運行命令：
pip install C:\xxx\Twisted-17.5.0-cp36-cp36m-win_amd64.whl
安裝成功后運行出現No module named 'win32api'錯誤：
在https://sourceforge.net/projects/pywin32/files%2Fpywin32/下載安裝對應pywin32即可

（3）Scrapy應用（命令提示符輸入）

1）創建項目

scrapy startproject myscrapy：創建名為myscrapy的爬蟲項目，自動生成如下目錄

目錄結構：

myscrapy/scrapy.cfg：爬蟲項目配置文件
myscrapy/myscrapy/items.py：數據容器文件，定義獲取的數據
myscrapy/myscrapy/pipelines.py：管道文件，對items定義的數據進行加工處理
myscrapy/myscrapy/settings.py：設置文件
myscrapy/myscrapy/spiders：放置爬蟲文件
myscrapy/myscrapy/middleware.py：下載中間件文件

參數控制：

scrapy startproject --logfile="../logf.log" myscrapy
在創建myscrapy爬蟲項目同時在指定地址創建名為logf的日志文件
scrapy startproject --loglevel=DEBUG myscrapy
創建項目同時指定日志信息的等級為DEBUG模式（默認），等級表如下：

等級名	含義
`CRITICAL`	發生最嚴重的錯誤
`ERROR`	發生必須立即處理的錯誤
`WARNING`	出現警告信息，存在潛在錯誤
`INFO`	輸出提示信息
`DEBUG`	輸出調試信息，常用于開發階段

scrapy startproject --nolog myscrapy
創建項目同時指定不輸出日志

2）常用工具命令

全局命令：（項目文件夾外scrapy -h）

scrapy fetch http://www.baidu.com：顯示爬取網站的過程
scrapy fetch --headers --nolog http://www.baidu.com：顯示頭信息不顯示日志信息
scrapy runspider 爬蟲文件.py -o xxx/xxx.xxx：運行指定爬蟲文件并將爬取結果存儲在指定文件內
scrapy setting --get BOT_NAME：項目內執行為項目名，項目外執行為scrapybot
scrapy shell http://www.baidu.com --nolog：爬取百度首頁創建一個交互終端環境并設置為不輸出日志信息。

項目命令：（項目文件夾內scrapy -h）

scrapy bench：測試本地硬件性能
scrapy genspider -l：查看可使用的爬蟲模板

scrapy genspider -d 模板名：查看爬蟲模板內容
scrapy genspider -t 模板名爬蟲名要爬取的網站域名：快速創建一個爬蟲文件
scrapy check 爬蟲名：對爬蟲文件進行合同測試
scrapy crawl 爬蟲名：啟動爬蟲
scrapy list：顯示可以使用的爬蟲文件
scrapy edit 爬蟲名：編輯爬蟲文件（Windows下執行有問題）
scrapy parse 網站URL：獲取指定URL網站內容，并使用對應爬蟲文件處理分析，可設置的常用參數如下：

參數	含義
`--spider==SPIDER`	指定某個爬蟲文件進行處理
`-a NAME=VALUE`	設置爬蟲文件參數
`--pipelines`	通過pipelines處理items
`--nolinks`	不展示提取到的鏈接信息
`--noitems`	不展示得到的items
`--nocolour`	輸出結果顏色不高亮
`--rules,-r`	使用CrawlSpider規則處理回調函數
`--callback=CALLBACK,-c CALLBACK`	指定spider中用于處理返回的響應的回調函數
`--depth=DEPTH,-d DEPTH`	設置爬取深度，默認為1
`--verbose,-v`	顯示每層的詳細信息

3）Items編寫

import scrapy
class MyscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    ...

格式：數據名 = scrapy.Field()
實例化：item = MyscrapyItem(name = "xxx",...)
調用：item["name"]、item.keys()、 item.items()（可以看做字典使用）

4）Spider編寫(BasicSpider)

# -*- coding: utf-8 -*-
import scrapy
class MyspiderSpider(scrapy.Spider):
    name = 'myspider' # 爬蟲名
    allowed_domains = ['baidu.com'] 
    start_urls = ['http://baidu.com/']

    def parse(self, response):
        pass

allowed_domains：允許爬取的域名，當開啟OffsiteMiddleware時，非允許的域名對應的網址會自動過濾，不再跟進。
start_urls：爬取的起始網址，如果沒有指定爬取的URL網址，則從該屬性中定義的網址開始進行爬取，可指定多個起始網址，網址間用逗號隔開。
parse方法：如果沒有特別指定回調函數，該方法是處理Scrapy爬蟲爬行到的網頁響應（response）的默認方法，通過該方法，可以對響應進行處理并返回處理后的數據，同時該方法也負責鏈接的跟進。

其他方法	含義
`start_requests()`	該方法默認讀取`start_urls`屬性中定義的網址（也可自定義），為每個網址生成一個Request請求對象，并返回可迭代對象
`make_requests_from_url(url)`	該方法會被`start_requests()` 調用，負責實現生成Request請求對象
`close(reason)`	關閉Spider時調用
`log(message[,level, component])`	實現在Spider中添加log
`__init__()`	負責爬蟲初始化的構造函數

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItem

class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']
    my_urls = ['http://baidu.com/', 'http://baidu.com/']

    # 重寫該方法可讀取自己定義的URLS，不重寫時默認從start_urls中讀取起始網址
    def start_requests(self):
        for url in self.my_urls:
            # 調用默認make_requests_from_url()生成具體請求并迭代返回
            yield self.make_requests_from_url(url)

    def parse(self, response):
        item = MyscrapyItem()
        item["name"] = response.xpath("/html/head/title/text()")
        print(item["name"])

5）XPath基礎

/：選擇某個標簽，可多層標簽查找
//：提取某個標簽的所有信息
test()：獲取該標簽的文本信息
//Z[@X="Y"]：獲取所有屬性X的值是Y的<Z>標簽的內容

返回一個SelectorList 對象
返回一個list、里面是一些提取的內容
返回2中list的第一個元素(如果list為空拋出異常)
返回1中SelectorList里的第一個元素(如果list為空拋出異常),和3達成的效果一致
4返回的是一個str，所以5會返回str的第一個字符

6）Spider類參數傳遞（通過`-a`選項實現參數的傳遞）

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItem

class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']
    # 重寫初始化方法，并設置參數myurl
    def __init__(self, myurl=None, *args, **kwargs):
        super(MyspiderSpider, self).__init__(*args, **kwargs)
        myurllist = myurl.split(",")
        # 輸出要爬的網站
        for i in myurllist:
            print("爬取網站：%s" % i)
        # 重新定義start_urls屬性
        self.start_urls = myurllist

    def parse(self, response):
        item = MyscrapyItem()
        item["name"] = response.xpath("/html/head/title/text()")
        print(item["name"])

命令行：scrapy crawl myspider -a myurl=http://www.sina.com.cn,http://www.baidu.com --nolog

7）XMLFeedSpider

# -*- coding: utf-8 -*-
from scrapy.spiders import XMLFeedSpider

class MyxmlSpider(XMLFeedSpider):
    name = 'myxml'
    allowed_domains = ['sina.com.cn']
    start_urls = ['http://sina.com.cn/feed.xml']
    iterator = 'iternodes'  # you can change this; see the docs
    itertag = 'item'  # change it accordingly

    def parse_node(self, response, selector):
        i = {}
        # i['url'] = selector.select('url').extract()
        # i['name'] = selector.select('name').extract()
        # i['description'] = selector.select('description').extract()
        return i

iterator：設置迭代器，默認iternodes(基于正則表達式的高性能迭代器)，此外還有html、xml
itertag：設置開始迭代的節點
parse_node(self, response, selector)：在節點與所提供的標簽名相符合的時候被調用，可進行信息的提取和處理操作

其他屬性或方法	含義
`namespaces`	以列表形式存在，主要定義在文檔中會被爬蟲處理的可用命名空間
`adapt_response(response)`	主要在spider分析響應（Response）前被調用
`process_results(response, results)`	主要在spider返回結果時被調用，對結果在返回前進行最后處理

8）CSVFeedSpider

CSV：一種簡單、通用的文件格式，其存儲的數據可以與表格數據相互轉化。最原始的形式是純文本形式，列之間通過,間隔，行之間通過換行間隔。

# -*- coding: utf-8 -*-
from scrapy.spiders import CSVFeedSpider

class MycsvSpider(CSVFeedSpider):
    name = 'mycsv'
    allowed_domains = ['iqianyue.com']
    start_urls = ['http://iqianyue.com/feed.csv']
    # headers = ['id', 'name', 'description', 'image_link']
    # delimiter = '\t'

    # Do any adaptations you need here
    #def adapt_response(self, response):
    #    return response

    def parse_row(self, response, row):
        i = {}
        #i['url'] = row['url']
        #i['name'] = row['name']
        #i['description'] = row['description']
        return i

headers：存放CSV文件包含的用于提取字段行信息的列表
delimiter：主要存放字段之間的間隔符，csv文件以,間隔
parse_row(self, response, row)：用于接收Response對象，并進行相應處理

9）CrawlSpider（自動爬取）

class MycrawlSpider(CrawlSpider):
    name = 'mycrawl'
    allowed_domains = ['sohu.com']
    start_urls = ['http://sohu.com/']
    # 自動爬取規則
    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return i

rules：設置自動爬取規則，規則Rule的參數如下：
LinkExtractor：鏈接提取器，用來提取頁面中滿足條件的鏈接，以供下次爬取使用，可設置的參數如下

參數名	含義
`allow`	提取符合對應正則表達式的鏈接
`deny`	不提取符合對應正則表達式的鏈接
`restrict_xpaths`	使用XPath表達式與allow共同作用，提取出同時符合兩者的鏈接
`allow_domains`	允許提取的域名，該域名下的鏈接才可使用
`deny_domains`	禁止提取的域名，限制不提取該域名下的鏈接

callback='parse_item'：處理的回調方法
follow=True：是否跟進。CrawlSpider爬蟲會根據鏈接提取器中設置的規則自動提取符合條件的網頁鏈接，提取之后再自動的對這些鏈接進行爬取，形成循環，如果鏈接設置為跟進，則會一直循環下去，如果設置為不跟進，則第一次循環后就會斷開。

10）避免爬蟲被禁止（settings.py內設置）

禁止Cookie：（應對通過用戶Cookie信息對用戶識別和分析的網站）

# Disable cookies (enabled by default)
COOKIES_ENABLED = False

設置下載延時：（設置爬取的時間間隔，應對通過網頁訪問（爬取）頻率進行分析的網站）

# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3

IP池：（應對檢驗用戶IP的網站）

在middlewares.py中或新創建一個Python文件中編寫：

import random
from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware

class IPPOOLS(HttpProxyMiddleware):
    myIPPOOL = ["183.151.144.46:8118",
                "110.73.49.52:8123",
                "123.55.2.126:808"]
    # process_request()方法，主要進行請求處理
    def process_request(self, request, spider):
        # 隨機選擇一個IP
        thisip = random.choice(self.myIPPOOL)
        # 將IP添加為具體代理，用該IP進行爬取
        request.meta["proxy"] = "http://" + thisip
        # 輸出觀察
        print('當前使用IP：%s' % request.meta["proxy"])

設置為默認下載中間件：

# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 123,
    # 格式：'下載中間件所在目錄.下載中間件文件名.下載中間件內部要使用的類':數字（有規定）
    'myscrapy.middlewares.IPPOOLS': 125
}

用戶代理池