Scrapy_Redis抓取百度贴吧、微信文章、微信公众号、域名

image.png

通用式爬虫开发第二版

spider parse代码详解

1.首先判断response的状态码，是否属于200到400这个范围。这里重点说一下，scrapy默认只会返回成功的状态码，将失败的状态码默认就过略掉了。所以需要我们在spider类属性里设置一个handle_httpstatus_list = [301, 300, 302, 303, 403, 400, 503, 404, 505, 500, 401]类属性，你可以将你想要抓取的状态码写入到这个list中。
2.根据我们传入的engine字段来抓取不同的超链接，详情请看代码走势。关键字默认，抓取前50页，当爬虫启动的时候，会将关键字传递到middlewares这个中间件中，selenium会模拟浏览器的行为找到输入框，将关键字输入并模拟点击，这样就会得到我们想要的页面，此时调用HtmlResponse将url和body返回给parse。

return HtmlResponse(fullurl, encoding='utf-8', body=content, request=request)

2.parse_tieba(self, response) 此函数用来解析贴吧抓取的超链接，贴吧有个反爬就是他将响应出来的源代码里都添加了注释，如果你此时用xpath去提取，是找不到你要的内容的，在这个地方我选择了re正则去提取超链接。并将提取的超链接让scrapy.Request去下载（这里的流程前面有说过），然后回调给parse_url函数。

regex = 'href="(.*?)"'
        a_list = re.compile(regex).findall(response.body)
        for url in a_list:
            if len(url) >= 5 and 'javascript' not in url and 'css' not in url and url.startswith('/p'):
                if url.startswith('http:') != True and url.startswith('https:') != True:
                    url = response.urljoin(url)
                yield scrapy.Request(url, meta={'url':response.url}, callback=self.parse_url)

3.parse_url(self, response) 此函数用于处理响应的response代码，从中提取指定的字段，并将超链接和源代码（只提取文本的形式）以MD5的方式进行加密，添加到redis set中。实现了增量式爬虫！

# 以内容做指纹
        data_md5 = self.parse_dupefilter(response)
        if self.data_conn.sadd(self.datadupefilter, data_md5):
            content = soup_text(response.body)
            print content
            item = self.parse_text(response)
            self.data_conn.lpush(self.yuqing, item)
            yuqing_file = os.path.join(self.filepath, item['filename'])
            with open(yuqing_file, 'w') as b:
                b.write(content)

4.soup_text(body) 此函数用于处理页面中源代码，返回一个文本包括数字在内的数据。

try:
        soup = BeautifulSoup(body, 'lxml')
        for script in soup(["script", "style"]):
            script.extract()
        line = re.compile(r'\s+')
        line = line.sub(r'', soup.body.getText())
        outStr = line.strip(',')
    except:
        outStr = ''
    return outStr

5.parse_text(self, response)此函数是提取规定的字段，然后插入到redis list中。
并将实体文件保存到本地，供后面直接提取！

item = {}
        try:
            father_url = response.meta["url"]
        except:
            father_url = "''"
        try:
            item['title'] = response.xpath('//title/text()').extract_first().replace('\r\n','').replace('\n','')
        except:
            item['title'] = "''"
        item['url'] = response.url
        item['domain'] = ''
        item['crawl_time'] = time.strftime('%Y%m%d%H%M%S')
        item['keyword'] = ''
        item['Type_result'] = ''
        item['type'] = 'html'
        item['filename'] = 'yq_' + str(int(time.time())) + '_0' + str(rand5())+'.txt'
        item['referver'] = father_url
        item['like'] = ''
        item['transpond'] = ''
        item['comment'] = ''
        item['publish_time'] = ''
        return item

到这里，代码就结束了，大家有疑问可以随时联系我！