scrapy爬蟲爬取動態網站
阿新 • • 發佈:2018-12-31
爬取360圖片上的美女圖片
360圖片網站上的圖片是動態載入的,動態載入 就是通過ajax請求介面拿到資料喧染在網頁上。我們就可以通過遊覽器的開發者工具分析,在我們向下拉動視窗時就會出現這麼個請求,如圖所示:
所以就判定這個url就是ajax請求的介面:,http://image.so.com/zj?ch=beauty&sn=30&listtype=new&temp=1,通過分析,sn=30 表示取的是前面30條資料,sn=60取的是30到60條的資料,我們就可以通過改變sn的數來拿到不同的資料,下面就開始我們的scrap專案:
# 在虛擬環境裡建立專案
scrapy startproject image360
# 建立蜘蛛
scrapy genspider image image.so.com
專案目錄結構如下:
首先建立儲存資料的模型:在items.py檔案中
import scrapy
class ImageItem(scrapy.Item):
# define the fields for your item here like:
title = scrapy.Field() # 圖片的標題
tag = scrapy.Field() # 圖片的標籤
width = scrapy.Field() # 圖片的寬度
height = scrapy.Field () # 圖片的高度
url = scrapy.Field() # 圖片的url
開始寫蜘蛛:在iamge.py檔案中
import scrapy
from urllib.parse import urlencode
from json import loads
class ImageSpider(scrapy.Spider):
name = 'image' # 蜘蛛的名字
allowed_domains = ['image.so.com'] # 允許訪問的域名
# 因為不和以前一樣給一個初始url,所以需要重寫父類的start_requests方法
def strat_requests(self):
# 定義一個基礎的url
base_url = 'http://image.so.com/zj?'
# 把固定的引數儲存在一個字典裡
param = {'ch': 'beauty', 'listtype': 'new', 'temp': 1}
# 我們拿資料只需要改變sn的值,所以我們來個迴圈,我們拿300條資料
for page in range(10):
# 把sn和對應的數新增到字典裡
param['sn'] = page * 30
# 一個完整的url
full_url = base_url + urlencode(param)
# 返回一個生成器,
yield scrapy.Request(url=full_url, callback=self.parse)
def def parse(self, response):
# 把從接口裡拿到的資料轉成字典
model_dict = loads(response.text)
# 找到對應的資料放在item裡
for elem in model_dict['list']:
item = ImageItem()
item['title'] = elem['group_title']
item['tag'] = elem['tag']
item['width'] = elem['cover_width']
item['height'] = elem['cover_height']
item['url'] = elem['qhimg_url']
yield item
資料的持久化:在pipelines.py檔案中
from scrapy import Request
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
from pymongo import MongoClient
# 下載圖片的類,繼承了scrap的ImagesPipeline類,並且重寫了裡面3個方法
class SaveImagePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
yield Request(url=item['url'])
def item_completed(self, results, item, info):
if not results[0][0]:
raise DropItem('下載失敗')
return item
# 獲取檔案的檔名的方法
def file_path(self, request, response=None, info=None):
return request.url.split('/')[-1]
# 儲存到資料庫的類
class SaveToMongoPipeline(object):
def __init__(self, mongo_url, db_name):
self.mongo_url = mongo_url
self.db_name = db_name
self.client = None
self.db = None
self.collect = None
# 把item資料存入mongo資料庫裡
def process_item(self, item, spider):
# item['image_name'] = item['url'].split('/')[-1]
# self.db.image.insert(dict(item))
self.collect.insert_one(dict(item))
return item
# 建立連線mongo資料庫的方法,在開始爬蟲程式時自動呼叫
def open_spider(self, spider):
self.client = MongoClient(self.mongo_url)
self.db = self.client[self.db_name]
self.collect = self.db.image
# 關閉連線的方法,在爬蟲程式結束時自動呼叫
def close_spider(self, spider):
self.client.close()
# 這是個類方法
@classmethod
def from_crawler(cls, crawler):
# 當return cls時就會呼叫該類的初始方法__init__,就把連線mango資料庫的引數和資料庫名字傳過去
# crawler.setting.get('MONGO_URL')就是拿到settings.py檔案裡設定的 MONGO_URL
return cls(crawler.settings.get('MONGO_URL'),
crawler.settings.get('MONGO_DB'))
在配置檔案中開啟pipelines
使用webdriver
from selenium import webdriver
from bs4 import BeautifulSoup
import requests
def main():
driver = webdriver.Chrome()
driver.get('https://v.taobao.com/v/content/live?catetype=704&from=taonvlang')
soup = BeautifulSoup(driver.page_source, 'lxml')
for img_tag in soup.body.select('img[src]'):
url = img_tag.attrs['src']
try:
if not str(url).startswith('http'):
url = 'http:' + url
filename = url[url.rfind('/') + 1:]
resp = requests.get(url)
with open('../images/' + filename,'wb') as f:
f.write(resp.content)
except OSError:
print(filename + '下載失敗')
print('圖片下載完成')
if __name__ == '__main__':
main()