- ，按照一般頁(yè)面的邏輯，在li.gallery-item下面找到對(duì)應(yīng)的鏈接地址，再往下深入一層頁(yè)面抓取圖片。
但是如果用類似 Postman 的HTTP調(diào)試工具請(qǐng)求該頁(yè)面，得到的內(nèi)容是：
也就是并沒(méi)有實(shí)際的圖集內(nèi)容，因此可以斷定頁(yè)面使用了Ajax請(qǐng)求，只有在瀏覽器載入頁(yè)面時(shí)才會(huì)請(qǐng)求圖集內(nèi)容并加入div.widget-gallery中，通過(guò)開(kāi)發(fā)者工具查看XHR請(qǐng)求地址為：
https://tuchong.com/rest/tags/美女/posts?page=1&count=20&order=weekly&before_timestamp=
參數(shù)很簡(jiǎn)單，page是頁(yè)碼，count是每頁(yè)圖集數(shù)量，order是排序，before_timestamp為空，圖蟲(chóng)因?yàn)槭峭扑蛢?nèi)容式的網(wǎng)站，因此before_timestamp應(yīng)該是一個(gè)時(shí)間值，不同的時(shí)間會(huì)顯示不同的內(nèi)容，這里我們把它丟棄，不考慮時(shí)間直接從最新的頁(yè)面向前抓取。
請(qǐng)求結(jié)果為JSON格式內(nèi)容，降低了抓取難度，結(jié)果如下：
{ "postList": [ { "post_id": "15624611", "type": "multi-photo", "url": "https://weishexi.tuchong.com/15624611/", "site_id": "443122", "author_id": "443122", "published_at": "2017-10-28 18:01:03", "excerpt": "10月18日", "favorites": 4052, "comments": 353, "rewardable": true, "parent_comments": "165", "rewards": "2", "views": 52709, "title": "微風(fēng)不燥 秋意正好", "image_count": 15, "images": [ { "img_id": 11585752, "user_id": 443122, "title": "", "excerpt": "", "width": 5016, "height": 3840 }, { "img_id": 11585737, "user_id": 443122, "title": "", "excerpt": "", "width": 3840, "height": 5760 }, ... ], "title_image": null, "tags": [ { "tag_id": 131, "type": "subject", "tag_name": "人像", "event_type": "", "vote": "" }, { "tag_id": 564, "type": "subject", "tag_name": "美女", "event_type": "", "vote": "" } ], "favorite_list_prefix": [], "reward_list_prefix": [], "comment_list_prefix": [], "cover_image_src": "https://photo.tuchong.com/443122/g/11585752.webp", "is_favorite": false } ], "siteList": {...}, "following": false, "coverUrl": "https://photo.tuchong.com/443122/ft640/11585752.webp", "tag_name": "美女", "tag_id": "564", "url": "https://tuchong.com/tags/%E7%BE%8E%E5%A5%B3/", "more": true, "result": "SUCCESS" }根據(jù)屬性名稱很容易知道對(duì)應(yīng)的內(nèi)容含義，這里我們只需關(guān)心 postlist 這個(gè)屬性，它對(duì)應(yīng)的一個(gè)數(shù)組元素便是一個(gè)圖集，圖集元素中有幾項(xiàng)屬性我們需要用到：
url：?jiǎn)蝹€(gè)圖集瀏覽的頁(yè)面地址
post_id：圖集編號(hào)，在網(wǎng)站中應(yīng)該是唯一的，可以用來(lái)判斷是否已經(jīng)抓取過(guò)該內(nèi)容
site_id：作者站點(diǎn)編號(hào) ，構(gòu)建圖片來(lái)源鏈接要用到
title：標(biāo)題
excerpt：摘要文字
type：圖集類型，目前發(fā)現(xiàn)兩種，一種multi-photo是純照片，一種text是文字與圖片混合的文章式頁(yè)面，兩種內(nèi)容結(jié)構(gòu)不同，需要不同的抓取方式，本例中只抓取純照片類型，text類型直接丟棄
tags：圖集標(biāo)簽，有多個(gè)
image_count：圖片數(shù)量
images：圖片列表，它是一個(gè)對(duì)象數(shù)組，每個(gè)對(duì)象中包含一個(gè)img_id屬性需要用到
根據(jù)圖片瀏覽頁(yè)面分析，基本上圖片的地址都是這種格式： https://photo.tuchong.com/{site_id}/f/{img_id}.jpg ，很容易通過(guò)上面的信息合成。
二、創(chuàng)建項(xiàng)目進(jìn)入cmder命令行工具，輸入workon scrapy 進(jìn)入之前建立的虛擬環(huán)境，此時(shí)命令行提示符前會(huì)出現(xiàn)(Scrapy) 標(biāo)識(shí)，標(biāo)識(shí)處于該虛擬環(huán)境中，相關(guān)的路徑都會(huì)添加到PATH環(huán)境變量中便于開(kāi)發(fā)及使用。
輸入 scrapy startproject tuchong 創(chuàng)建項(xiàng)目 tuchong
進(jìn)入項(xiàng)目主目錄，輸入 scrapy genspider photo tuchong.com 創(chuàng)建一個(gè)爬蟲(chóng)名稱叫 photo (不能與項(xiàng)目同名)，爬取 tuchong.com 域名（這個(gè)需要修改，此處先輸個(gè)大概地址），的一個(gè)項(xiàng)目?jī)?nèi)可以包含多個(gè)爬蟲(chóng)
經(jīng)過(guò)以上步驟，項(xiàng)目自動(dòng)建立了一些文件及設(shè)置，目錄結(jié)構(gòu)如下：
(PROJECT) │ scrapy.cfg │ └─tuchong │ items.py │ middlewares.py │ pipelines.py │ settings.py │ __init__.py │ ├─spiders │ │ photo.py │ │ __init__.py │ │ │ └─__pycache__ │ __init__.cpython-36.pyc │ └─__pycache__ settings.cpython-36.pyc __init__.cpython-36.pycscrapy.cfg：基礎(chǔ)設(shè)置
items.py：抓取條目的結(jié)構(gòu)定義
middlewares.py：中間件定義，此例中無(wú)需改動(dòng)
pipelines.py：管道定義，用于抓取數(shù)據(jù)后的處理
settings.py：全局設(shè)置
spidersphoto.py：爬蟲(chóng)主體，定義如何抓取需要的數(shù)據(jù)
三、主要代碼items.py 中創(chuàng)建一個(gè)TuchongItem類并定義需要的屬性，屬性繼承自 scrapy.Field 值可以是字符、數(shù)字或者列表或字典等等：
import scrapy class TuchongItem(scrapy.Item): post_id = scrapy.Field() site_id = scrapy.Field() title = scrapy.Field() type = scrapy.Field() url = scrapy.Field() image_count = scrapy.Field() images = scrapy.Field() tags = scrapy.Field() excerpt = scrapy.Field() ...這些屬性的值將在爬蟲(chóng)主體中賦予。
spidersphoto.py 這個(gè)文件是通過(guò)命令 scrapy genspider photo tuchong.com 自動(dòng)創(chuàng)建的，里面的初始內(nèi)容如下：
import scrapy class PhotoSpider(scrapy.Spider): name = "photo" allowed_domains = ["tuchong.com"] start_urls = ["http://tuchong.com/"] def parse(self, response): pass爬蟲(chóng)名 name，允許的域名 allowed_domains（如果鏈接不屬于此域名將丟棄，允許多個(gè)） ，起始地址 start_urls 將從這里定義的地址抓取（允許多個(gè)）
函數(shù) parse 是處理請(qǐng)求內(nèi)容的默認(rèn)回調(diào)函數(shù)，參數(shù) response 為請(qǐng)求內(nèi)容，頁(yè)面內(nèi)容文本保存在 response.body 中，我們需要對(duì)默認(rèn)代碼稍加修改，讓其滿足多頁(yè)面循環(huán)發(fā)送請(qǐng)求，這需要重載 start_requests 函數(shù)，通過(guò)循環(huán)語(yǔ)句構(gòu)建多頁(yè)的鏈接請(qǐng)求，修改后代碼如下：import scrapy, json from ..items import TuchongItem class PhotoSpider(scrapy.Spider): name = "photo" # allowed_domains = ["tuchong.com"] # start_urls = ["http://tuchong.com/"] def start_requests(self): url = "https://tuchong.com/rest/tags/%s/posts?page=%d&count=20&order=weekly"; # 抓取10個(gè)頁(yè)面，每頁(yè)20個(gè)圖集 # 指定 parse 作為回調(diào)函數(shù)并返回 Requests 請(qǐng)求對(duì)象 for page in range(1, 11): yield scrapy.Request(url=url % ("美女", page), callback=self.parse) # 回調(diào)函數(shù)，處理抓取內(nèi)容填充 TuchongItem 屬性 def parse(self, response): body = json.loads(response.body_as_unicode()) items = [] for post in body["postList"]: item = TuchongItem() item["type"] = post["type"] item["post_id"] = post["post_id"] item["site_id"] = post["site_id"] item["title"] = post["title"] item["url"] = post["url"] item["excerpt"] = post["excerpt"] item["image_count"] = int(post["image_count"]) item["images"] = {} # 將 images 處理成 {img_id: img_url} 對(duì)象數(shù)組 for img in post.get("images", ""): img_id = img["img_id"] url = "https://photo.tuchong.com/%s/f/%s.jpg" % (item["site_id"], img_id) item["images"][img_id] = url item["tags"] = [] # 將 tags 處理成 tag_name 數(shù)組 for tag in post.get("tags", ""): item["tags"].append(tag["tag_name"]) items.append(item) return items經(jīng)過(guò)這些步驟，抓取的數(shù)據(jù)將被保存在 TuchongItem 類中，作為結(jié)構(gòu)化的數(shù)據(jù)便于處理及保存。
前面說(shuō)過(guò)，并不是所有抓取的條目都需要，例如本例中我們只需要 type="multi_photo 類型的圖集，并且圖片太少的也不需要，這些抓取條目的篩選操作以及如何保存需要在pipelines.py中處理，該文件中默認(rèn)已創(chuàng)建類 TuchongPipeline 并重載了 process_item 函數(shù)，通過(guò)修改該函數(shù)只返回那些符合條件的 item，代碼如下：
... def process_item(self, item, spider): # 不符合條件觸發(fā) scrapy.exceptions.DropItem 異常，符合條件的輸出地址 if int(item["image_count"]) < 3: raise DropItem("美女太少: " + item["url"]) elif item["type"] != "multi-photo": raise DropItem("格式不對(duì): " + + item["url"]) else: print(item["url"]) return item ...當(dāng)然如果不用管道直接在 parse 中處理也是一樣的，只不過(guò)這樣結(jié)構(gòu)更清晰一些，而且還有功能更多的FilePipelines和ImagePipelines可供使用，process_item將在每一個(gè)條目抓取后觸發(fā)，同時(shí)還有 open_spider 及 close_spider 函數(shù)可以重載，用于處理爬蟲(chóng)打開(kāi)及關(guān)閉時(shí)的動(dòng)作。
四、運(yùn)行注意：管道需要在項(xiàng)目中注冊(cè)才能使用，在 settings.py 中添加：
ITEM_PIPELINES = { "tuchong.pipelines.TuchongPipeline": 300, # 管道名稱: 運(yùn)行優(yōu)先級(jí)(數(shù)字小優(yōu)先) }另外，大多數(shù)網(wǎng)站都有反爬蟲(chóng)的 Robots.txt 排除協(xié)議，設(shè)置 ROBOTSTXT_OBEY = True 可以忽略這些協(xié)議，是的，這好像只是個(gè)君子協(xié)定。如果網(wǎng)站設(shè)置了瀏覽器User Agent或者IP地址檢測(cè)來(lái)反爬蟲(chóng)，那就需要更高級(jí)的Scrapy功能，本文不做講解。
返回 cmder 命令行進(jìn)入項(xiàng)目目錄，輸入命令：
scrapy crawl photo
終端會(huì)輸出所有的爬行結(jié)果及調(diào)試信息，并在最后列出爬蟲(chóng)運(yùn)行的統(tǒng)計(jì)信息，例如：
[scrapy.statscollectors] INFO: Dumping Scrapy stats: {"downloader/request_bytes": 491, "downloader/request_count": 2, "downloader/request_method_count/GET": 2, "downloader/response_bytes": 10224, "downloader/response_count": 2, "downloader/response_status_count/200": 2, "finish_reason": "finished", "finish_time": datetime.datetime(2017, 11, 27, 7, 20, 24, 414201), "item_dropped_count": 5, "item_dropped_reasons_count/DropItem": 5, "item_scraped_count": 15, "log_count/DEBUG": 18, "log_count/INFO": 8, "log_count/WARNING": 5, "response_received_count": 2, "scheduler/dequeued": 1, "scheduler/dequeued/memory": 1, "scheduler/enqueued": 1, "scheduler/enqueued/memory": 1, "start_time": datetime.datetime(2017, 11, 27, 7, 20, 23, 867300)}主要關(guān)注ERROR及WARNING兩項(xiàng)，這里的 Warning 其實(shí)是不符合條件而觸發(fā)的 DropItem 異常。
五、保存結(jié)果大多數(shù)情況下都需要對(duì)抓取的結(jié)果進(jìn)行保存，默認(rèn)情況下 item.py 中定義的屬性可以保存到文件中，只需要命令行加參數(shù) -o {filename} 即可：
scrapy crawl photo -o output.json # 輸出為JSON文件 scrapy crawl photo -o output.csv # 輸出為CSV文件
注意：輸出至文件中的項(xiàng)目是未經(jīng)過(guò) TuchongPipeline 篩選的項(xiàng)目，只要在 parse 函數(shù)中返回的 Item 都會(huì)輸出，因此也可以在 parse 中過(guò)濾只返回需要的項(xiàng)目
如果需要保存至數(shù)據(jù)庫(kù)，則需要添加額外代碼處理，比如可以在 pipelines.py 中 process_item 后添加:
... def process_item(self, item, spider): ... else: print(item["url"]) self.myblog.add_post(item) # myblog 是一個(gè)數(shù)據(jù)庫(kù)類，用于處理數(shù)據(jù)庫(kù)操作 return item ...為了在插入數(shù)據(jù)庫(kù)操作中排除重復(fù)的內(nèi)容，可以使用 item["post_id"] 進(jìn)行判斷，如果存在則跳過(guò)。
本項(xiàng)目中的抓取內(nèi)容只涉及了文本及圖片鏈接，并未下載圖片文件，如需下載圖片，可以通過(guò)兩種方式：
安裝 Requests 模塊，在 process_item 函數(shù)中下載圖片內(nèi)容，同時(shí)在保存數(shù)據(jù)庫(kù)時(shí)替換為本地圖片路徑。
使用 ImagePipelines 管道下載圖片，具體使用方法下回講解。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://specialneedsforspecialkids.com/yun/44495.html
