scrapy爬取鏈接

近期因?yàn)楣ぷ餍枰_始學(xué)習(xí)和寫爬蟲,學(xué)習(xí)到了很多內(nèi)容,就整理了一下發(fā)上來。

需求

這里爬蟲的目的是檢測網(wǎng)站的漏洞,因此希望做成類似于burpSuit的歷史記錄一樣的。

初步需求是簡單地爬取網(wǎng)站的鏈接,去重,嘗試?yán)@過反爬蟲。

更進(jìn)一步的是希望像burpsuit一樣記錄網(wǎng)站的各個連接請求,從而獲取到更全面的信息。

網(wǎng)址爬蟲

簡單的采用urllib之類的也是可以完成爬蟲的,不過為了后續(xù)操作方便,還是學(xué)習(xí)了一下scrapy框架。

關(guān)于框架的內(nèi)容可以移步 http://www.lxweimin.com/p/a8aad3bf4dc4 學(xué)習(xí)一下。

以及scrapy的文檔 http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html

首先下載安裝scrapy:


sudo pip install scrapy

如果出現(xiàn)錯誤:


'module' object has no attribute 'OP_NO_TLSv1_1'

可以用下面幾個命令


sudo pip install --upgrade scrapy

sudo pip install --upgrade twisted

sudo pip install --upgrade pyopenssl

查看一下scrapy的指令:


Scrapy 1.4.0 - no active project

Usage:

scrapy<command></command>[options] [args]

Available commands:

bench         Run quick benchmark test

fetch         Fetch a URL using the Scrapy downloader

genspider     Generate new spider using pre-defined templates

runspider     Run a self-contained spider (without creating a project)

settings      Get settings values

shell         Interactive scraping console

startproject  Create new project

version       Print Scrapy version

view          Open URL in browser, as seen by Scrapy

[ more ]      More commands available when run from project directory

Use "scrapy<command></command>-h" to see more info about a command

這里新建一個項(xiàng)目


scrapy startproject urlspider

New Scrapy project 'urlspider', using template directory '/usr/local/lib/python2.7/dist-packages/scrapy/templates/project', created in:

/home/qiqi/spider/urlspider

You can start your first spider with:

cd urlspider

scrapy genspider example example.com

下面是項(xiàng)目的目錄


ll

total 28

drwxr-sr-x 3 qiqi qiqi 4096 Nov 14 07:10 ./

drwxr-sr-x 3 qiqi qiqi 4096 Nov 14 07:10 ../

-rw-r--r-- 1 qiqi qiqi    0 Nov 14 06:58 __init__.py

-rw-rw-r-- 1 qiqi qiqi  288 Nov 14 07:10 items.py

-rw-rw-r-- 1 qiqi qiqi 1907 Nov 14 07:10 middlewares.py

-rw-rw-r-- 1 qiqi qiqi  289 Nov 14 07:10 pipelines.py

-rw-rw-r-- 1 qiqi qiqi 3158 Nov 14 07:10 settings.py

drwxr-sr-x 2 qiqi qiqi 4096 Nov 14 06:58 spiders/

items是存放數(shù)據(jù)的格式

setting是配置文件

spiders是爬蟲的文件,我們的爬蟲都放在里面

進(jìn)入spiders文件夾創(chuàng)建一個爬蟲文件


# -*- coding: utf-8 -*-

import scrapy

from scrapy.selector import Selector

class UrlSpider(scrapy.Spider):

name = 'url'

allowed_domains = ['opencv.org']

start_urls = ['http://opencv.org/']

def parse(self, response):

se = Selector(response)

site = se.xpath('//a/@href').extract()

print site

啟動爬蟲


scrapy crawl url

這樣就能獲取到一個頁面的連接了,這里用到了scrapy自己的解析工具選擇器(seletors),因?yàn)樗麄兺ㄟ^特定的XPath或者CSS表達(dá)式來“選擇” HTML文件中的某個部分。XPath是一門用來在XML文件中選擇節(jié)點(diǎn)的語言,也可以用在HTML上。CSS是一門將HTML文檔樣式化的語言。選擇器由它定義,并與特定的HTML元素的樣式相關(guān)連。Scrapy選擇器構(gòu)建于lxml庫之上。

上面的可能會遇到兩個標(biāo)簽指向同一個鏈接或者取到相對url,加上去重部分和補(bǔ)全相對url:


# -*- coding: utf-8 -*-

import scrapy

import urlparse

from scrapy.selector import Selector

class UrlSpider(scrapy.Spider):

name='url'

allowed_domains= ['opencv.org']

start_urls= ['http://opencv.org/']

result_urls= []

def parse(self, response):

se=Selector(response)

result=set()

site=se.xpath('//a/@href').extract()

for s in site:

tmpurl=urlparse.urljoin(response.url, s)

if tmpurl not in result:

result.add(tmpurl)

for r in result:

print r

現(xiàn)在可以得到這個頁面上的完整的url信息了

然后需要遞歸爬取頁面


# -*- coding: utf-8 -*-

import scrapy

import urlparse

from scrapy.selector import Selector

class UrlSpider(scrapy.Spider):

name='url'

allowed_domains= ['opencv.org']

start_urls= ['http://opencv.org/']

result_urls= []

def parse(self, response):

print response.url

se=Selector(response)

result=set()

site=se.xpath('//a/@href').extract()

for s in site:

tmpurl=urlparse.urljoin(response.url, s)

if tmpurl not in result:

result.add(tmpurl)

for r in result:

if r not in UrlSpider.result_urls:

UrlSpider.result_urls.append(r)

yield scrapy.Request(url=r,callback=self.parse)

將數(shù)據(jù)存到item中去,編輯items.py


import scrapy

class UrlspiderItem(scrapy.Item):

# define the fields for your item here like:

#name=scrapy.Field()

url=scrapy.Field()

修改一下爬蟲,將數(shù)據(jù)存入item就可以了


# -*- coding: utf-8 -*-

import scrapy

import urlparse

from urlspider.items import UrlspiderItem

from scrapy.selector import Selector

class UrlSpider(scrapy.Spider):

name='url'

allowed_domains= ['opencv.org']

start_urls= ['http://opencv.org/']

result_urls= []

def parse(self, response):

item=UrlspiderItem()

item['url'] = response.url

se=Selector(response)

result=set()

site=se.xpath('//a/@href').extract()

for s in site:

tmpurl=urlparse.urljoin(response.url, s)

if tmpurl not in result:

result.add(tmpurl)

for r in result:

if r not in UrlSpider.result_urls:

UrlSpider.result_urls.append(r)

yield scrapy.Request(url=r,callback=self.parse)

yield item

這樣對于靜態(tài)頁面獲取鏈接就基本上完成了,關(guān)于反爬蟲的在下一篇講吧。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。

推薦閱讀更多精彩內(nèi)容