python爬虫---CrawlSpider实现的全站数据的爬取,分布式,增量式,所有的反爬机制

CrawlSpider实现的全站数据的爬取

• 新建一个工程
• cd 工程
• 创建爬虫文件：scrapy genspider -t crawl spiderName www.xxx.com
• 连接提取器LinkExtractor
  • 可以根据指定的规则对指定的连接进行提取
    • 提取的规则就是构造方法中的allow（‘正则表达式’）参数决定
• 规则解析器Rule
  • 可以将将连接提取器提取到的连接进行请求发送，可以根据指定的规则（callback）对请求到的数据进行解析
• follow=True:将连接提取器 继续作用到 连接提取器提取到的连接 所对应的 页面源码中

分布式

• 实现方式：scrapy+scrapy_redis组件实现的分布式。scrapy+redis

• 原生的scrapy是不可以实现分布式的！！！

• 什么是分布式

  • 需要搭建一个由n台电脑组成的机群，然后在每一台电脑中执行同一组程序，让其对同一个网络资源
    进行联合且分布的数据爬取。

• 为什么scrapy不可以实现分布式

  • 调度器不可以被共享
  • 管道不可以被共享

• scrapy-reids组件的作用是什么

• 提供可以被共享的管道和调度器

• 分布式的实现流程

  • 环境的安装：pip install scrapy-redis

  • 创建工程

  • cd 工程

  • 创建爬虫文件：

    • 基于Spider
    • 基于CrawlSpider

  • 修改爬虫文件：

    • 导报：
      from scrapy_redis.spiders import RedisCrawlSpider#基于crawlSpider爬虫文件
      from scrapy_redis.spiders import RedisSpider #基于Spider爬虫文件
    • 将当前爬虫类的父类修改为RedisCrawlSpider
    • 删除allowed_domains和start_urls
    • 添加一个redis_key = ‘xxx’属性，表示的是调度器队列的名称、
    • 根据常规形式编写爬虫文件后续的代码

  • 修改settings配置文件

    • 指定管道
      ITEM_PIPELINES = {
      ‘scrapy_redis.pipelines.RedisPipeline‘: 400
      }

    • 指定调度器

      增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化

      DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

      使用scrapy-redis组件自己的调度器

      SCHEDULER = "scrapy_redis.scheduler.Scheduler"

      配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据

      SCHEDULER_PERSIST = True

    • 指定redis数据库
      REDIS_HOST = ‘192.168.13.254‘
      REDIS_PORT = 6379

  • 修改redis的配置文件redis.windows.conf

    • 关闭默认绑定
      • 56行：#bind 127.0.0.1
    • 关闭保护模式
      • 75行：protected-mode no

  • 启动redis的服务端（携带配置文件）和客户端

  • 启动分布式的程序：

    • scrapy runspider xxx.py

  • 向调度器的队列中扔入一个起始的url

    • 队列是存在于redis中
    • redis的客户端中：lpush sun www.xxx.com

  • 在redis中就可以查看爬取到的数据

增量式

• 概念：监测
• 核心技术：去重
• 适合使用增量式的网站：
  • 基于深度爬取
    • 对爬取过的页面的url进行一个记录（记录表）
  • 基于非深度爬取
    • 记录表：爬取过的数据对应的数据指纹
      • 数据指纹：就是原始数据的一组唯一标识
• 所谓的记录表是以怎样的形式存在于哪？
  • redis的set充当记录表

反爬机制

• robots
• UA伪装
• 图片懒加载
• 验证码
• cookie
• 动态加载的数据
• 动态变化的请求参数
• js加密
• js混淆
• 代理