如今，网上的爬虫教程可谓是泛滥成灾了，从urllib开始讲，最后才讲到requests和selenium这类高级库，实际上，根本就不必这么费心地去了解这么多无谓的东西的。只需记住爬虫总共就三大步骤：发起请求——解析数据——存储数据，这样就足以写出最基本的爬虫了。诸如像Scrapy这样的框架，可以说是集成了爬虫的一切，但是新人可能会用的不怎么顺手，看教程可能还会踩各种各样的坑，而且Scrapy本身体积也有点大。因此，本人决定亲手写一个轻量级的爬虫框架————looter，里面集成了调试和爬虫模板这两个核心功能，利用looter，你就能迅速地写出一个高效的爬虫。另外，本项目的函数文档也相当完整，如果有不明白的地方可以自行阅读源码（一般都是按Ctrl+左键或者F12）。
安装
$ pip install looter
仅支持Python3.6及以上版本。
快速开始
让我们先来撸一个非常简单的图片爬虫：首先，用shell获取网站
$ looter shell konachan.com/post
然后用2行代码就可以将图片抓取到本地
>>> imgs = tree.cssselect('a.directlink')
>>> save_imgs(imgs)
或者只用1行也行:d
>>> save_imgs(links(res, search='jpg'))
如果想要看更多的爬虫例子，猛戳这里（里面有惊喜哦）
工作流
如果你想迅速撸出一个爬虫，那么你可以用looter提供的模板来自动生成一个
$ looter genspider <name> <tmpl> [--async]
在这行代码中，tmpl是模板，分为data和image两种模板。
async是一个备用的选项，它使得生成的爬虫核心用asyncio而非线程池。
在生成的模板中，你可以自定义domain和tasklist这两个变量。
什么是tasklist？实际上它就是你想要抓取的页面的所有链接。
以http://konachan.com为例，你可以使用列表推导式来创建自己的tasklist：
domain = 'https://konachan.com'
tasklist = [f'{domain}/post?page={i}' for i in range(1, 9777)]
然后你就要定制你的crawl函数，这是爬虫的核心部分。
def crawl(url):
tree = lt.fetch(url)
items = tree.cssselect('ul li')
for item in items:
data = dict()
# data[...] = item.cssselect(...)
pprint(data)
在大多数情况下，你所要抓取的内容是一个列表（也就是HTML中的ul或ol标签），可以用css选择器将它们保存为items变量。
然后，你只需使用for循环来迭代它们，并抽取你想要的数据，将它们存储到dict中。
但是，在你写完这个爬虫之前，最好用looter提供的shell来调试一下你的cssselect代码是否正确。（目前已集成ptpython，一个支持自动补全的REPL）
>>> items = tree.cssselect('ul li')
>>> item = items[0]
>>> item.cssselect(anything you want to crawl)
# 注意代码的输出是否正确！
调试完成后，你的爬虫自然也就完成了。怎么样，是不是很简单:)
函数
looter为用户提供了很多实用的函数。
view
在爬取页面前，你最好确认一下页面的渲染是否是你想要的
>>> view(url)
save_imgs
当你获取了一堆图片链接时，用它可以直接将它们保存到本地
>>> img_urls = [...]
>>> save_imgs(img_urls)
alexa_rank
可以获取网站的reach和popularity指数（人气度），此函数返回一个元组(url, reach_rank, popularity_rank)
>>> alexa_rank(url)
links
获取网页的所有链接
>>> links(res) # 获取所有链接
>>> links(res, absolute=True) # 获取绝对链接
>>> links(res, search='text') # 查找指定链接
同样地，你也可以用正则表达式来获取匹配的链接
>>> re_links(res, r'regex_pattern')
save_as_json
将所得结果保存为json文件，支持按键值排序
>>> total = [...]
>>> save_as_json(total, name='text', sort_by='key')
parse_robots
用于爬取网站robots.txt上的所有链接。这个在做全站爬虫或者递归式url爬虫时颇为有效
>>> parse_robots(url)
login
有一些网站必须要先登录才能爬取，于是就有了login函数，本质其实就是建立session会话向服务器发送带有data的POST请求。 考验各位抓包的能力，以下为模拟登录网易126邮箱（要求参数：postdata和param）
>>> params = {'df': 'mail126_letter', 'from': 'web', 'funcid': 'loginone', 'iframe': '1', 'language': '-1', 'passtype': '1', 'product': 'mail126',
'verifycookie': '-1', 'net': 'failed', 'style': '-1', 'race': '-2_-2_-2_db', 'uid': 'webscraping123@126.com', 'hid': '10010102'}
>>> postdata = {'username': 你的用户名, 'savelogin': '1', 'url2': 'http://mail.126.com/errorpage/error126.htm', 'password': 你的密码}
>>> url = "https://mail.126.com/entry/cgi/ntesdoor?"
>>> res, ses = login(url, postdata, params=params) # res为post请求后的页面，ses为请求会话
>>> index_url = re.findall(r'href = "(.*?)"', res.text)[0] # 在res中获取重定向主页的链接
>>> index = ses.get(index_url) # 用ses会话访问重定向链接，想确认成功的话print下即可
防反爬虫技巧
- 延迟爬取：time.sleep(n)
- 代理IP池：scylla
- 动态JS网页：requestium或抓包
- 模拟登陆：fuck-login
- 验证码：Tesseract、OpenCV、Keras、打码平台
api搭建
有时候，仅仅爬取数据存到数据库里是不够的。如果想把数据开放出去，就需要搭建api。一旦建成，你就可以以网页、app甚至是微信小程序的形式来向他人展现和使用你的数据了。
利用一个叫eve的框架，我们就能迅速搭建出我们的api
$ pip install eve
假设你已经利用爬虫爬取到了jav的数据并存入了MongoDB数据库中，那么搭建api就只需创建2个文件：一个是api的站点文件（本质上是一个flask的app实例），另一个是api的配置文件。
jav_api.py
from eve import Eve
app = Eve(settings='jav_settings.py')
if __name__ == '__main__':
app.run()
jav_settings.py
# validation rules: http://docs.python-cerberus.org/en/stable/validation-rules.html
jav = {
'datasource': {
'source': 'torrents',
'default_sort': [('date', -1)]
}
}
ALLOW_UNKNOWN = True
DOMAIN = {'jav': jav}
MONGO_DBNAME = 'jav'
MONGO_QUERY_BLACKLIST = ['$where']
RENDERERS = ['eve.render.JSONRenderer']
其中datasource引用了jav数据库中的torrents集合，并将数据根据日期降序排序。
运行jav_api.py，并访问这个链接，就能看见我们搭建的api了。
如果想进行查询操作，用where加上正则表达式就可以了（其实就是MongoDB的查询语法）
http://127.0.0.1:5000/jav?where={"name":{"$regex":"波多"}}
如果想要搭建更健全的RESTful api，建议阅读eve的官方文档。Python学习群 548377875
至此，我们的api便搭建完成了:)
网友评论