放飞自我-scrapy框架进阶无限制爬取数据（6300字详解）

文章适合于所有的相关人士进行学习
各位看官看完了之后不要立刻转身呀
期待三连关注小小博主加收藏
小小博主回关快 会给你意想不到的惊喜呀

scrapy怎么做到无限制爬取

⚠️爬取过程可能会遇到的问题

在我们爬虫的过程当中，很有可能会遇到由于你爬的太快了，导致被网站识别出来你在做爬虫。然后就不允许让你继续爬取了。或者是你这个ip地址访问目标网址次数太多，导致的被网站直接封禁。比如会出现give up url。。。这种错误，那么我们如果遇到这种问题怎么解决的呢，这就是我们所说的网站限制问题。
就比如这种，洗澡的时候就会给你脱发警告！！！

解决问题

遇到问题我们就解决问题，上有政策，下有对策呗。兵来将挡水来土掩。这里我们就要介绍一下下载器中间件。

下载器中间键介绍

下载器中间件是引擎和下载器之间通信的中间件。在这个中间件中我们可以设置代理、更换请求头等来达到反反爬虫的目的。要写下载器中间件，可以在下载器中实现两个方法。一个是process_request(self,request,spider)，这个方法是在请求发送之前会执行，还有一个process_response(self,request,response,spider)，这个方法是数据下载到引擎之前执行。

总而言之吧，我们可以在下载器中间件中设置代理、更换请求头。从而达到避免被网站发现的目的。

process_request(self,request,spider)

这个方法是下载器在发送请求之前会执行的。一般可以在这个里面设置随机代理ip等。

参数： request：发送请求的request对象。
spider：发送请求的spider对象。

返回值：

返回None：如果返回None，Scrapy将继续处理该request，执行其他中间件中的相应方法，直到合适的下载器处理函数被调用。
返回Response对象：Scrapy将不会调用任何其他的process_request方法，将直接返回这个response对象。已经激活的中间件的process_response()方法则会在每个response返回时被调用。
返回Request对象：不再使用之前的request对象去下载数据，而是根据现在返回的request对象返回数据。
如果这个方法中抛出了异常，则会调用process_exception方法。

process_response(self,request,response,spider)

这个是下载器下载的数据到引擎中间会执行的方法。

参数： request：request对象。 response：被处理的response对象。
spider：spider对象。

返回值：
返回Response对象：会将这个新的response对象传给其他中间件，最终传给爬虫。
返回Request对象：下载器链被切断，返回的request会重新被下载器调度下载。
如果抛出一个异常，那么调用request的errback方法，如果没有指定这个方法，那么会抛出一个异常。

上方返回值具体参照图解来看。

代理介绍

之前我们做IP更换的时候，一般都是用快代理或者其他代理软件的免费代理，来去做。那么这样就会有什么样的缺点呢，就是不够稳定，而且可能发现的差错也较多。那么我们可以去购买一些代理来满足自己的爬虫需求。我自己用的就是芝麻代理。在其中的获取api就可以看到这样一个界面：

然后我们只要按照自己的需求来获取ip就ok了。我们这里选择上方图中的然后生成链接就ok了。就获取到了自己的独享ip。
然后我们进入目标网站liepin网，搜索python然后准备爬取相关信息。

实战-实践是检验真理的唯一标准

网站分析

我们还是通过rule规则来查找页面，首先我们定义详情url规则。
按照之前的方式检查就看到了。
要是之前遇到这种肯定是要骂街了，这是什么呀？

但是经过一段时间的学习我们发现这也是非常简单，我们简单分析一下，前面的内容一致，www…，然后就是一串数字，然后就是以.shtml，然后跟着一大串字母，那就简单多了一串数字我们对应\\d+，一大串乱七八糟字母就对应.*。完美解决！！！
然后就是翻页的操作，当我们检查翻页的时候，发现了一点就是tm的网吧蛋，竟然是这种拼接型。

在源码中搜索page也找不到相关内容，到了这一刻我是崩溃的，但是妈妈告诉我，什么事都不要轻言放弃，于是我想了想，我直接手动翻页不好吗，不按照rule规则。

        for i in range(1,50):
            next_url=connect_url % i
            request = scrapy.Request(next_url)
            yield request

解决！
但是这里有一个小细节就是什么呢？就是我们在爬取的过程中有的时候为了避免爬虫乱爬，我们在rule规则中添加参数。
restrict收紧；约束。就是说把它约束在一个范围内，只能在这个范围进行爬取。

restrict_xpaths=[\"//div[@class=\'left-list-box\']//a\"]

爬取内容

爬取内容呢，我们想爬取标题，工资，介绍。。。。。这里不多介绍。爬取规则我们使用css。

css介绍

css就是和xpath一样的功能，我们这节课就用css。
我们以标题为例

这里我们可以看到属于div class=name-box下的span中的内容。
css

.name-box span::text

class为name-box的标签 下面的span标签中的text。完事！！

代码

其中settings、items、pipelines、这里就不过多介绍了

liepin的demo

import scrapy
from scrapy.spiders.crawl import CrawlSpider,Rule
from scrapy.linkextractors import LinkExtractor
from ..items import LpwItem

class LiepinSpider(CrawlSpider):
    name = \'liepin\'
    allowed_domains = [\'www.lin.com\']#具体自己去添加
    start_urls = [\'https://wn.com/zhaopin/?key=python¤tPage=0\']#具体自己去添加
    rules = (
        Rule(LinkExtractor(allow=r\'https://www..com/job/\\d+\\.shtml.*\',restrict_xpaths=[\"//div[@class=\'left-list-box\']//a\"]),callback=\'parse_job\',follow=False)
    )

    def parse_job(self, response):
        title=response.css(\".name-box span::text\").get()
        salary=response.css(\".name-box span::text\").getall()[2]
        years=response.css(\".job-properties span::text\").getall()[1]
        edu=response.css(\".job-properties span::text\").getall()[2]
        desc_list=response.css(\".paragraph dd::text\").get()
        desc=\"\".join(desc_list).strip()
        item=LpwItem(title=title,salary=salary,years=years,edu=edu,desc=desc)
        yield item
        connect_url = \"https://www.l.com/zhaopin/?key=python¤tPage=%s\"
        for i in range(1,50):
            next_url=connect_url % i
            request = scrapy.Request(next_url)
            yield request

这里大家可以对照网页中的信息去试一下如何使用css去爬取数据。

中间件

import requests
from .models import ProxyModel
import threading
import time
class IPDownloaderMiddleware:
    def __init__(self):
        super(IPDownloaderMiddleware, self).__init__()
        self.current_proxy=None#目前没有代理
        self.update_proxy_url=\'http://webapi.acangku.com/getip?num=1&type=2&pro=&city=0&yys=0&port=11&time=1&ts=1&ys=0&cs=0&lb=1&sb=0&pb=45&mr=1®ions=\'
        #这里是我们从芝麻网站中提取到的ip
        self.headers={
            \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36\'
        }#请求头
        self.update_proxy()#这个函数看下方，获取到了代理
        self.lock = threading.Lock()#设置锁
        # 创建一个多线程：专门用来管理代理的
        # 管理方式：只要这个代理的时间超过了1分钟，或者是这个代理被拉黑了，那么在多线程中就要更换代理了
        th = threading.Thread(target=self.update_proxy_in_thread)
        th.start()
    def process_request(self, request, spider):
        #更换代理，是在请求之前更换，也就是在这个函数进行更换
        request.meta[\'proxy\'] = self.current_proxy.proxy_url

    def process_response(self, request, response, spider):
        #在响应中，通过判断状态码，来判断是否需要更新ip
        if response.status != 200:
            # 标记某个标记位，要更新代理了
            self.lock.acquire()
            self.current_proxy.is_blacked = True
            self.lock.release()
            # 如果这个请求没有被正确的响应到，那么应该重新返回，等待下一次重新请求获取
            return request#重新请求更换代理啦
        # 如果是正常的响应，那么一定要记得返回response，否则在爬虫中获取不到
        return response
    def update_proxy(self):
        resp = requests.get(self.update_proxy_url, headers=self.headers)#请求代理网站
        proxy_model = ProxyModel(resp.json())
        self.current_proxy = proxy_model
        print(\"更新了新的代理：%s\"%self.current_proxy.proxy_url)#提取到具体的ip地址，函数如下方models 这里我们就是提取到了标准格式


    def update_proxy_in_thread(self):
        # 管理方式：只要这个代理的时间超过了1分钟，或者是这个代理被拉黑了，那么在多线程中就要更换代理了
        count = 0
        while True:
            time.sleep(10)
            if count >= 6 or self.current_proxy.is_blacked:
                self.update_proxy()
                count = 0
            else:
                count += 1
                print(\"count+1=%d\"%count)

models的demo

class ProxyModel(object):
    def __init__(self,proxy_dict):
        proxy=proxy_dict[\'data\'][0]#提取到ip的地址端口号和过期时间
        self.proxy_url=\"https://\"+proxy[\'ip\']+\':\'+str(proxy[\'port\'])#进行拼接
        expire_time_str=proxy[\'expire_time\']
        self.expire_time=datetime.datetime.strptime(expire_time_str,\'%Y-%m-%d %H:%M:%S\')#过期时间的转化
        self.is_blacked = False#定义目前没有过期

    @property
    def is_expiring(self):#判断ip是否过期
        now=datetime.datetime.now()
        if (self.expire_time-now)<=timedelta(seconds=5):
            return True
        else:
            return False

这里就完成了IP的更换（满足一定的条件下）
好啦！今天我们就结束了！