Python网络爬虫

作者: 凛0_0 | 来源:发表于2018-01-24 10:03 被阅读0次

Python开发简单爬虫（Python2.X版本，Eclipse工具）

一、爬虫介绍

爬虫调度端：启动、停止爬虫，监视爬虫运行情况
URL管理器：管理将要爬取的URL和已经爬取的URL
网页下载器：下载URL指定的网页，存储成字符串
网页解析器：提取有价值的数据，提取关联URL补充URL管理器

二、URL管理器

三、网页下载器

（1）方法一

（2）方法二

header：http头信息
data：用户输入信息

（3）方法三

HTTPCookieProcessor：需登录的网页
ProxyHandler：需代理访问的网页
HTTPSHandler：加密访问的网页
HTTPRedirectHandler：URL自动跳转的网页

# coding:utf8   #出现编码错误时添加

import urllib2
import cookielib
url = "http://www.baidu.com"

print '第一种方法'
response1 = urllib2.urlopen(url)
print response1.getcode()
print len(response1.read())

print '第二种方法'
request = urllib2.Request(url)
request.add_header('user_agent', 'Mozilla/5.0')
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())

print '第三种方法'
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(request)
print response3.getcode()
print cj
print response3.read()

四、网页解析器

Python 自带：html.parser
第三方：BeautifulSoup，lxml

安装beautifulsoup4
1.命令提示符中进入安装Python的文件夹中~\Python27\Scripts
2.输入pip install beautifulsoup4

calss 为Python的关键词，所以用class_表示。

以字典形式可访问节点所有属性

参考：Python爬虫利器二之Beautiful Soup的用法

# coding:utf8

import re
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')

print '获取所有的链接'
links = soup.find_all('a')
for link in links:
    print link.name, link['href'], link.get_text()

print '获取Lacie的 链接'
link_node = soup.find('a',href = 'http://example.com/lacie')
print link_node.name, link_node['href'], link_node.get_text()

print '正则匹配'
link_node = soup.find('a',href = re.compile(r'ill'))
print link_node.name, link_node['href'], link_node.get_text()

print '获取p段落文字'
p_node = soup.find('a',class_ = "title")
print p_node.name, p_node.get_text()

结果：
获取所有的链接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
获取Lacie的 链接
a http://example.com/lacie Lacie
正则匹配
a http://example.com/tillie Tillie
获取p段落文字
p The Dormouse's story

Eclipse：ctrl+shift+M或Ctrl+Shift+o或Ctrl+1可以自动导入相应的包或创建相应的类或方法。

五、实例

观察目标，定制策略，策略要根据目标的变化实时更新。

精通Python网络爬虫（Python3.X版本，PyCharm工具）

一、爬虫类型

通用网络爬虫：全网爬虫。由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等构成。
聚焦网络爬虫：主题爬虫。由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块，内容评价模块、链接评价模块等构成。
增量网络爬虫：增量式更新，尽可能爬取新页面（更新改变的部分）。
深层网络爬虫：隐藏在表单后，需要提交一定关键词才能获取的页面。URL列表、LVS列表（LVS指标签/数值集合，即填充表单的数据源）、爬行控制器、解析器、LVS控制器、表单分析器、表单处理器、响应分析器等构成。

二、核心技术

PyCharm常用快捷键：
Alt+Enter：快速导入包
Ctrl+z：撤销，Ctrl+Shift+z：反撤销

（1）Urllib库

1）Python2.X与Python3.X区别

Python2.X	Python3.X
`import urllib2`	`import urllib.requset, urllib.error`
`import urllib`	`import urllib.requset, urllib.error, urllib.parse`
`urllib2.urlopen`	`urllib.request.urlopen`
`urllib.urlencode`	`urllib.parse.urlencode`
`urllib.quote`	`urllib.request.quote`
`urllib.CookieJar`	`http.CookieJar`
`urllib.Request`	`urllib.request.Request`

2）快速爬取网页

import urllib.request

# 爬取百度网页内容
file = urllib.request.urlopen("http://www.baidu.com", timeout=30) # timeout超时设置，单位：秒
data = file.read()            #读取文件全部内容，字符串类型
dataline = file.readline()    #读取文件一行内容
datalines = file.readlines()  #读取文件全部内容，列表类型

# 以html格式存储到本地
fhandle = open("/.../1.html","wb")
fhandle.write(data)
fhandle.close()

# 快捷存储到本地
filename = urllib.request.urlretrieve("http://www.baidu.com",filename="/.../1.html")
urllib.request.urlcleanup() #清除缓存

# 其他常用方法
file.getcode() #响应状态码，200为链接成功
file.geturl() #爬取的源网页

# URL编码(当URL中存在汉字等不符合标准的字符时需要编码后爬取)
urllib.request.quote("http://www.baidu.com")  # http%3A//www.baidu.com
# URL解码
urllib.request.unquote("http%3A//www.baidu.com") # http://www.baidu.com

注意：URL中存在汉字如https://www.baidu.com/s?wd=电影，爬取该URL时实际传入URL应该是"https://www.baidu.com/s?wd=" + urllib.request.quote("电影")，而不应该是urllib.request.quote("https://www.baidu.com/s?wd=电影")

3）浏览器模拟（应对403禁止访问）

import urllib.request

url = "http://baidu.com"
# 方法一
headers = ("User-Agent",
           "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()

# 方法二
req = urllib.request.Request(url)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

4）POST请求

import urllib.request
import urllib.parse

url = "http://www.iqianyue.com/mypost"   # 测试网站
# 将数据使用urlencode编码处理后，使用encode()设置为utf-8编码
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")
req = urllib.request.Request(url, postdata)
req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 \
           (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
data = urllib.request.urlopen(req).read()

注意：
postdata = urllib.parse.urlencode({"name": "abc", "pass": "111"}).encode("utf-8")，必须encode("utf-8")编码后才可使用，实际结果为b'name=abc&pass=111'，未编码结果为name=abc&pass=111

5）代理服务器设置（应对IP被屏蔽、403）

def use_proxy(proxy_add, url):
    import urllib.request
    proxy = urllib.request.ProxyHandler({'http': proxy_add})
    opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
    # 创建全局默认opener对象，这样使用urlopen()也会使用该对象
    urllib.request.install_opener(opener)
    # 解码类型与网页编码格式一致
    data = urllib.request.urlopen(url).read().decode("gb2312") 
    return data

# 代理IP可用百度搜索
data = use_proxy("116.199.115.79:80", "http://www.baidu.com")
print(data)

注意：encode()：编码，decode()：解码

例如（Python3.X）：
u = '中文'
str = u.encode('utf-8') # 结果：b'\xe4\xb8\xad\xe6\x96\x87'，为字节类型
u1 = str.decode('utf-8') # 结果：中文

过程：
str(unicode) --[encode('utf-8')]--> bytes --[decode('utf-8')]--> str(unicode)

6）DebugLog调试日志

import urllib.request

httphd = urllib.request.HTTPHandler(debuglevel=1)
httpshd = urllib.request.HTTPSHandler(debuglevel=1)

opener = urllib.request.build_opener(httphd, httpshd)
urllib.request.install_opener(opener)
data = urllib.request.urlopen("http://www.baidu.com")

运行结果：

send: b'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.baidu.com\r\nUser-Agent: Python-urllib/3.6\r\nConnection: close\r\n\r\n'
reply: 'HTTP/1.1 200 OK\r\n'
header: Date header: Content-Type header: Transfer-Encoding header: Connection header: Vary header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: Set-Cookie header: P3P header: Cache-Control header: Cxy_all header: Expires header: X-Powered-By header: Server header: X-UA-Compatible header: BDPAGETYPE header: BDQID header: BDUSERID

7）异常处理

URLError：1）连接不上服务器。2）远程URL不存在。3）无网络。4）HTTPError：
200：OK
301：Moved Permanently——重定向到新的URL
302：Found——重定向到临时的URL
304：Not Modified——请求资源未更新
400：Bad Request——非法请求
401：Unauthorized——请求未经授权
403：Forbidden——禁止访问
404：Not Found——未找到对应页面
500：Internal Server Error——服务器内部错误
501：Not Implemented——服务器不支持实现请求所需要的功能

import urllib.error
import urllib.request

try:
    urllib.request.urlopen("http://www.baidu.com")
except urllib.error.URLError as e:
    if hasattr(e, "code"):
        print(e.code)
    if hasattr(e, "reason"):
        print(e.reason)

（2）正则表达式

1）基本语法（适用其他）

1.单个字符匹配

[...]匹配字符集内的任意字符
\w包括[a-zA-Z0-9]即匹配所以大小写字符及数字，以及下划线

2.多个字符匹配

因为*匹配前个字符0到无限次，所以*?匹配前个字符0次，既不匹配前个字符。
因为+匹配前个字符1到无限次，所以+?匹配前个字符1次。
因为?匹配前个字符0或1次，所以??匹配前个字符0次，既不匹配前个字符。

3.边界匹配
4.分组匹配

\<num>引用编号为num的分组匹配的字符串：

代码1：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').group()
结果：<book>python</book>python
代码2：re.match(r'<(book>)(python)</\1\2','<book>python</book>python').groups()
结果：('book>','python')

解释：.groups()方法返回分组匹配的字符串集合，指总体匹配模式中()内的分组匹配模式匹配的结果集。代码1中'<(book>)(python)</\1\2'为总体匹配模式，其中有(book>)和(python)两个分组匹配模式，代码2结果就为这两个分组匹配模式匹配的结果集，\<num>就是通过num来引用该结果集中的字符串，\1为book>,\2为python。

用(?P<name>)和(?P=name)替代，代码1还可以写为：
re.match(r'<(?P<mark1>book>)(?P<mark2>python)</(?P=mark1)(?P=mark2)','<book>python</book>python').group()

5.模式修改

符号	含义
`I`	匹配时忽略大小写
`M`	多行匹配
`L`	做本地化识别匹配
`U`	根据Unicode字符及解析字符
`S`	让`.`匹配包括换行符，使`.`可以匹配任意字符

2）re模块

import re
str = ‘imooc python’

pa = re.compile(r'imooc') #匹配‘imooc’字符串
ma = pa.match(str)
# 等价于
ma = re.match(r'imooc', str)

ma.string   #被匹配字符串
ma.re       #匹配模式(pa值)
ma.group()  #匹配结果
ma.span()   #匹配位置

pa = re.compile(r'imooc', re.I) #匹配‘imooc’字符串,不管大小写

# 上述最终可写为
ma = re.match(r'imooc', 'imooc python', re.I)

样式字符串前r的用法：
（1）带上r，样式字符串为原字符串，后面的样式字符串是什么匹配什么，里面即使有转义字符串也按普通字符串匹配。
（2）不带r，样式字符串无转义字符串不影响，有转义字符串需考虑转义字符串进行匹配。
例子中r'imooc\\n'相当于imooc\\n，'imooc\\n'相当于imooc\n，因为'\\'为转义字符串时相当于'\'

march从头开始匹配，找出字符串开头符合匹配样式的部分，开头无符合返回NoneType
seach从头开始匹配，找出字符串内第一个符合匹配样式的部分并返回，字符串内无符合返回NoneType

sub()参数中repl可以是用来替代的字符串，也可以是一个函数且该函数需返回一个用来替换的字符串。count为替换次数，默认为0，为都替换。
re.sub(r'\d+','100','imooc videnum=99')
re.sub(r'\d+',lambda x: str(int(x.group())+1),'imooc videnum=99')
结果：'imooc videnum=100'
lambda x: str(int(x.group())+1)为匿名函数，其中冒号前的x为函数参数，默认传入匹配的结果对象，需要用.group()方法获取结果字符串。冒号后算式的结果为返回值。也可以写成：

def add(x):
    val = x.group()
    num = int(val)+1
    return str(num)

re.sub(r'\d+',add,'imooc videnum=99')

（3）Cookie用法（应对模拟登陆）

import urllib.request
import urllib.parse
import http.cookiejar

# 创建CookieJar对象
cjar = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor创建cookie处理器，并以其为参数创建opener对象
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
# 将opener安装为全局
urllib.request.install_opener(opener)

# 网站登录页
url1 = 'http://xxx.com/index.php/login/login_new/'
# 登陆所需要POST的数据
postdata = urllib.parse.urlencode({
            'username': 'xxx',
            'password': 'xxx'
            }).encode("utf-8")
req = urllib.request.Request(url1, postdata)
# 网站登陆后才能访问的网页
url2 = 'http://xxx.com/index.php/myclass'

# 登陆网站
file1 = urllib.request.urlopen(req)
# 爬取目标网页信息
file2 = urllib.request.urlopen(url2).read()

（4）多线程与队列

# 多线程基础
import threading

class A(threading.Thread):
    def __init__(self):
        # 初始化该线程
        threading.Thread.__init__(self)

    def run(self):
        # 该线程要执行的内容
        for i in range(10):
            print("线程A运行")

class B(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)

    def run(self):
        for i in range(10):
            print("线程B运行")

t1 = A()
t1.start()

t2 = B()
t2.start()

# 队列基础（先进先出）
import queue
# 创建队列对象
a = queue.Queue()
# 数据传入队列
a.put("hello")
a.put("php")
a.put("python")
a.put("bye")
# 结束数据传入
a.task_done()

for i in range(4):
    # 取出数据
    print(a.get())

（5）浏览器伪装

Headers信息：

Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8

Accept：浏览器支持内容类型，支持优先顺序从左往右依次排序
text/html：HTML文档
application/xhtml+xml：XHTML文档
application/xml：XML文档

Accept-Encoding:gzip, deflate, sdch（设置该字段，从服务器返回的是对应形式的压缩代码（浏览器会自动解压缩），因此可能出现乱码）

Accept-Encoding：浏览器支持的压缩编码方式
deflate：一种无损数据压缩的算法

Accept-Language:zh-CN,zh;q=0.8

Accept-Language：支持的语言类型
zh-CN：zh中文，CN简体
en-US：英语（美国）

Connection:keep-alive

Connection：客户端与服务端连接类型
keep-alive：持久性连接
close：连接断开

Referer:http://123.sogou.com/（某些反爬虫网址可能检验该字段，一般可以设置为要爬取网页的域名地址或对应网址的主页地址）

Referer：来源网址

·.addheaders方法传入格式为：[('Connection','keep-alive'),("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0"),...]

三、Scrapy框架

（1）常见爬虫框架

Scrapy框架：https://scrapy.org/
Crawley框架
Portia框架：有网页版
newspaper框架
python-goose框架

（2）安装Scrapy

Python2.X和Python3.X同时安装，命令提示符：
py -2：启动Python2.X
py -3：启动Python3.X
py -2 -m pip install ...：使用Python2.X pip安装
py -3 -m pip install ...：使用Python3.X pip安装
安装超时：
手动指定源，在pip后面跟-i，命令如下：
pip install packagename -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pipy国内镜像目前有：
豆瓣 http://pypi.douban.com/simple/
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
华中理工大学 http://pypi.hustunique.com/
山东理工大学 http://pypi.sdutlinux.org/
出现如下错误：
error:Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
解决方案：
在http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted对应版本的whl文件，cp后面是python版本，amd64代表64位，以Python位数为准
运行命令：
pip install C:\xxx\Twisted-17.5.0-cp36-cp36m-win_amd64.whl
安装成功后运行出现No module named 'win32api'错误：
在https://sourceforge.net/projects/pywin32/files%2Fpywin32/下载安装对应pywin32即可

（3）Scrapy应用（命令提示符输入）

1）创建项目

scrapy startproject myscrapy：创建名为myscrapy的爬虫项目，自动生成如下目录

目录结构：

myscrapy/scrapy.cfg：爬虫项目配置文件
myscrapy/myscrapy/items.py：数据容器文件，定义获取的数据
myscrapy/myscrapy/pipelines.py：管道文件，对items定义的数据进行加工处理
myscrapy/myscrapy/settings.py：设置文件
myscrapy/myscrapy/spiders：放置爬虫文件
myscrapy/myscrapy/middleware.py：下载中间件文件

参数控制：

scrapy startproject --logfile="../logf.log" myscrapy
在创建myscrapy爬虫项目同时在指定地址创建名为logf的日志文件
scrapy startproject --loglevel=DEBUG myscrapy
创建项目同时指定日志信息的等级为DEBUG模式（默认），等级表如下：

等级名	含义
`CRITICAL`	发生最严重的错误
`ERROR`	发生必须立即处理的错误
`WARNING`	出现警告信息，存在潜在错误
`INFO`	输出提示信息
`DEBUG`	输出调试信息，常用于开发阶段

scrapy startproject --nolog myscrapy
创建项目同时指定不输出日志

2）常用工具命令

全局命令：（项目文件夹外scrapy -h）

scrapy fetch http://www.baidu.com：显示爬取网站的过程
scrapy fetch --headers --nolog http://www.baidu.com：显示头信息不显示日志信息
scrapy runspider 爬虫文件.py -o xxx/xxx.xxx：运行指定爬虫文件并将爬取结果存储在指定文件内
scrapy setting --get BOT_NAME：项目内执行为项目名，项目外执行为scrapybot
scrapy shell http://www.baidu.com --nolog：爬取百度首页创建一个交互终端环境并设置为不输出日志信息。

项目命令：（项目文件夹内scrapy -h）

scrapy bench：测试本地硬件性能
scrapy genspider -l：查看可使用的爬虫模板

scrapy genspider -d 模板名：查看爬虫模板内容
scrapy genspider -t 模板名爬虫名要爬取的网站域名：快速创建一个爬虫文件
scrapy check 爬虫名：对爬虫文件进行合同测试
scrapy crawl 爬虫名：启动爬虫
scrapy list：显示可以使用的爬虫文件
scrapy edit 爬虫名：编辑爬虫文件（Windows下执行有问题）
scrapy parse 网站URL：获取指定URL网站内容，并使用对应爬虫文件处理分析，可设置的常用参数如下：

参数	含义
`--spider==SPIDER`	指定某个爬虫文件进行处理
`-a NAME=VALUE`	设置爬虫文件参数
`--pipelines`	通过pipelines处理items
`--nolinks`	不展示提取到的链接信息
`--noitems`	不展示得到的items
`--nocolour`	输出结果颜色不高亮
`--rules,-r`	使用CrawlSpider规则处理回调函数
`--callback=CALLBACK,-c CALLBACK`	指定spider中用于处理返回的响应的回调函数
`--depth=DEPTH,-d DEPTH`	设置爬取深度，默认为1
`--verbose,-v`	显示每层的详细信息

3）Items编写

import scrapy
class MyscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    ...

格式：数据名 = scrapy.Field()
实例化：item = MyscrapyItem(name = "xxx",...)
调用：item["name"]、item.keys()、 item.items()（可以看做字典使用）

4）Spider编写(BasicSpider)

# -*- coding: utf-8 -*-
import scrapy
class MyspiderSpider(scrapy.Spider):
    name = 'myspider' # 爬虫名
    allowed_domains = ['baidu.com'] 
    start_urls = ['http://baidu.com/']

    def parse(self, response):
        pass

allowed_domains：允许爬取的域名，当开启OffsiteMiddleware时，非允许的域名对应的网址会自动过滤，不再跟进。
start_urls：爬取的起始网址，如果没有指定爬取的URL网址，则从该属性中定义的网址开始进行爬取，可指定多个起始网址，网址间用逗号隔开。
parse方法：如果没有特别指定回调函数，该方法是处理Scrapy爬虫爬行到的网页响应（response）的默认方法，通过该方法，可以对响应进行处理并返回处理后的数据，同时该方法也负责链接的跟进。

其他方法	含义
`start_requests()`	该方法默认读取`start_urls`属性中定义的网址（也可自定义），为每个网址生成一个Request请求对象，并返回可迭代对象
`make_requests_from_url(url)`	该方法会被`start_requests()` 调用，负责实现生成Request请求对象
`close(reason)`	关闭Spider时调用
`log(message[,level, component])`	实现在Spider中添加log
`__init__()`	负责爬虫初始化的构造函数

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItem

class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']
    my_urls = ['http://baidu.com/', 'http://baidu.com/']

    # 重写该方法可读取自己定义的URLS，不重写时默认从start_urls中读取起始网址
    def start_requests(self):
        for url in self.my_urls:
            # 调用默认make_requests_from_url()生成具体请求并迭代返回
            yield self.make_requests_from_url(url)

    def parse(self, response):
        item = MyscrapyItem()
        item["name"] = response.xpath("/html/head/title/text()")
        print(item["name"])

5）XPath基础

/：选择某个标签，可多层标签查找
//：提取某个标签的所有信息
test()：获取该标签的文本信息
//Z[@X="Y"]：获取所有属性X的值是Y的<Z>标签的内容

返回一个SelectorList 对象
返回一个list、里面是一些提取的内容
返回2中list的第一个元素(如果list为空抛出异常)
返回1中SelectorList里的第一个元素(如果list为空抛出异常),和3达成的效果一致
4返回的是一个str，所以5会返回str的第一个字符

6）Spider类参数传递（通过`-a`选项实现参数的传递）

# -*- coding: utf-8 -*-
import scrapy
from myscrapy.items import MyscrapyItem

class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']
    # 重写初始化方法，并设置参数myurl
    def __init__(self, myurl=None, *args, **kwargs):
        super(MyspiderSpider, self).__init__(*args, **kwargs)
        myurllist = myurl.split(",")
        # 输出要爬的网站
        for i in myurllist:
            print("爬取网站：%s" % i)
        # 重新定义start_urls属性
        self.start_urls = myurllist

    def parse(self, response):
        item = MyscrapyItem()
        item["name"] = response.xpath("/html/head/title/text()")
        print(item["name"])

命令行：scrapy crawl myspider -a myurl=http://www.sina.com.cn,http://www.baidu.com --nolog

7）XMLFeedSpider

# -*- coding: utf-8 -*-
from scrapy.spiders import XMLFeedSpider

class MyxmlSpider(XMLFeedSpider):
    name = 'myxml'
    allowed_domains = ['sina.com.cn']
    start_urls = ['http://sina.com.cn/feed.xml']
    iterator = 'iternodes'  # you can change this; see the docs
    itertag = 'item'  # change it accordingly

    def parse_node(self, response, selector):
        i = {}
        # i['url'] = selector.select('url').extract()
        # i['name'] = selector.select('name').extract()
        # i['description'] = selector.select('description').extract()
        return i

iterator：设置迭代器，默认iternodes(基于正则表达式的高性能迭代器)，此外还有html、xml
itertag：设置开始迭代的节点
parse_node(self, response, selector)：在节点与所提供的标签名相符合的时候被调用，可进行信息的提取和处理操作

其他属性或方法	含义
`namespaces`	以列表形式存在，主要定义在文档中会被爬虫处理的可用命名空间
`adapt_response(response)`	主要在spider分析响应（Response）前被调用
`process_results(response, results)`	主要在spider返回结果时被调用，对结果在返回前进行最后处理

8）CSVFeedSpider

CSV：一种简单、通用的文件格式，其存储的数据可以与表格数据相互转化。最原始的形式是纯文本形式，列之间通过,间隔，行之间通过换行间隔。

# -*- coding: utf-8 -*-
from scrapy.spiders import CSVFeedSpider

class MycsvSpider(CSVFeedSpider):
    name = 'mycsv'
    allowed_domains = ['iqianyue.com']
    start_urls = ['http://iqianyue.com/feed.csv']
    # headers = ['id', 'name', 'description', 'image_link']
    # delimiter = '\t'

    # Do any adaptations you need here
    #def adapt_response(self, response):
    #    return response

    def parse_row(self, response, row):
        i = {}
        #i['url'] = row['url']
        #i['name'] = row['name']
        #i['description'] = row['description']
        return i

headers：存放CSV文件包含的用于提取字段行信息的列表
delimiter：主要存放字段之间的间隔符，csv文件以,间隔
parse_row(self, response, row)：用于接收Response对象，并进行相应处理

9）CrawlSpider（自动爬取）

class MycrawlSpider(CrawlSpider):
    name = 'mycrawl'
    allowed_domains = ['sohu.com']
    start_urls = ['http://sohu.com/']
    # 自动爬取规则
    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return i

rules：设置自动爬取规则，规则Rule的参数如下：
LinkExtractor：链接提取器，用来提取页面中满足条件的链接，以供下次爬取使用，可设置的参数如下

参数名	含义
`allow`	提取符合对应正则表达式的链接
`deny`	不提取符合对应正则表达式的链接
`restrict_xpaths`	使用XPath表达式与allow共同作用，提取出同时符合两者的链接
`allow_domains`	允许提取的域名，该域名下的链接才可使用
`deny_domains`	禁止提取的域名，限制不提取该域名下的链接

callback='parse_item'：处理的回调方法
follow=True：是否跟进。CrawlSpider爬虫会根据链接提取器中设置的规则自动提取符合条件的网页链接，提取之后再自动的对这些链接进行爬取，形成循环，如果链接设置为跟进，则会一直循环下去，如果设置为不跟进，则第一次循环后就会断开。

10）避免爬虫被禁止（settings.py内设置）

禁止Cookie：（应对通过用户Cookie信息对用户识别和分析的网站）

# Disable cookies (enabled by default)
COOKIES_ENABLED = False

设置下载延时：（设置爬取的时间间隔，应对通过网页访问（爬取）频率进行分析的网站）

# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3

IP池：（应对检验用户IP的网站）

在middlewares.py中或新创建一个Python文件中编写：

import random
from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware

class IPPOOLS(HttpProxyMiddleware):
    myIPPOOL = ["183.151.144.46:8118",
                "110.73.49.52:8123",
                "123.55.2.126:808"]
    # process_request()方法，主要进行请求处理
    def process_request(self, request, spider):
        # 随机选择一个IP
        thisip = random.choice(self.myIPPOOL)
        # 将IP添加为具体代理，用该IP进行爬取
        request.meta["proxy"] = "http://" + thisip
        # 输出观察
        print('当前使用IP：%s' % request.meta["proxy"])

设置为默认下载中间件：

# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 123,
    # 格式：'下载中间件所在目录.下载中间件文件名.下载中间件内部要使用的类':数字（有规定）
    'myscrapy.middlewares.IPPOOLS': 125
}

用户代理池