网络编程
位置:首页>> 网络编程>> Python编程>> python爬虫框架feapder的使用简介

python爬虫框架feapder的使用简介

作者:星安果  发布时间:2021-07-20 14:38:27 

标签:python,爬虫框架,feapder
目录
  • 1. 前言

  • 2. 介绍及安装

  • 3. 实战一下

    • 3-1  创建爬虫项目

    • 3-2  创建爬虫 AirSpider

    • 3-3  配置数据库、创建数据表、创建映射 Item

    • 3-4  编写爬虫及数据解析

    • 3-5  数据入库

  • 4. 最后

    1. 前言

    大家好,我是安果!

    众所周知,Python 最流行的爬虫框架是 Scrapy,它主要用于爬取网站结构性数据

    今天推荐一款更加简单、轻量级,且功能强大的爬虫框架:feapder

    项目地址:

    https://github.com/Boris-code/feapder

    2. 介绍及安装

    和 Scrapy 类似,feapder 支持轻量级爬虫、分布式爬虫、批次爬虫、爬虫报警机制等功能

    内置的 3 种爬虫如下:

    • AirSpider

    轻量级爬虫,适合简单场景、数据量少的爬虫

    • Spider

    分布式爬虫,基于 Redis,适用于海量数据,并且支持断点续爬、自动数据入库等功能

    • BatchSpider

    分布式批次爬虫,主要用于需要周期性采集的爬虫

    在实战之前,我们在虚拟环境下安装对应的依赖库


    # 安装依赖库
    pip3 install feapder

    3. 实战一下

    我们以最简单的 AirSpider 来爬取一些简单的数据

    目标网站:aHR0cHM6Ly90b3BodWIudG9kYXkvIA==

    详细实现步骤如下( 5 步)

    3-1  创建爬虫项目

    首先,我们使用「 feapder create -p 」命令创建一个爬虫项目


    # 创建一个爬虫项目
    feapder create -p tophub_demo

    3-2  创建爬虫 AirSpider

    命令行进入到 spiders 文件夹目录下,使用「 feapder create -s 」命令创建一个爬虫


    cd spiders

    # 创建一个轻量级爬虫
    feapder create -s tophub_spider 1

    其中

    • 1 为默认,表示创建一个轻量级爬虫 AirSpider

    • 2 代表创建一个分布式爬虫 Spider

    • 3 代表创建一个分布式批次爬虫 BatchSpider

    3-3  配置数据库、创建数据表、创建映射 Item

    以 Mysql 为例,首先我们在数据库中创建一张数据表


    # 创建一张数据表
    create table topic
    (
        id         int auto_increment
            primary key,
        title      varchar(100)  null comment '文章标题',
        auth       varchar(20)   null comment '作者',
        like_count     int default 0 null comment '喜欢数',
        collection int default 0 null comment '收藏数',
        comment    int default 0 null comment '评论数'
    );

    然后,打开项目根目录下的 settings.py 文件,配置数据库连接信息


    # settings.py

    MYSQL_IP = "localhost"
    MYSQL_PORT = 3306
    MYSQL_DB = "xag"
    MYSQL_USER_NAME = "root"
    MYSQL_USER_PASS = "root"

    最后,创建映射 Item( 可选 )

    进入到 items 文件夹,使用「 feapder create -i 」命令创建一个文件映射到数据库

    PS:由于 AirSpider 不支持数据自动入库,所以这步不是必须

    3-4  编写爬虫及数据解析

    第一步,首先使「 MysqlDB 」初始化数据库


    from feapder.db.mysqldb import MysqlDB

    class TophubSpider(feapder.AirSpider):

        def __init__(self, *args, **kwargs):
            super().__init__(*args, **kwargs)
            self.db = MysqlDB()

    第二步,在 start_requests 方法中,指定爬取主链接地址,使用关键字「download_midware 」配置随机 UA


    import feapder
    from fake_useragent import UserAgent

    def start_requests(self):
        yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)

    def download_midware(self, request):
        # 随机UA
        # 依赖:pip3 install fake_useragent
        ua = UserAgent().random
        request.headers = {'User-Agent': ua}
        return request

    第三步,爬取首页标题、链接地址

    使用 feapder 内置方法 xpath 去解析数据即可


    def parse(self, request, response):
        # print(response.text)
        card_elements = response.xpath('//div[@class="cc-cd"]')

        # 过滤出对应的卡片元素【什么值得买】
        buy_good_element = [card_element for card_element in card_elements if
                            card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]

        # 获取内部文章标题及地址
        a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')

        for a_element in a_elements:
            # 标题和链接
            title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
            href = a_element.xpath('.//@href').extract_first()

            # 再次下发新任务,并带上文章标题
            yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
                                  title=title)

    第四步,爬取详情页面数据

    上一步下发新的任务,通过关键字「 callback 」指定回调函数,最后在 parser_detail_page 中对详情页面进行数据解析


    def parser_detail_page(self, request, response):
        """
        解析文章详情数据
        :param request:
        :param response:
        :return:
        """
        title = request.title

        url = request.url

        # 解析文章详情页面,获取点赞、收藏、评论数目及作者名称
        author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()

        print("作者:", author, '文章标题:', title, "地址:", url)

        desc_elements = response.xpath('//span[@class="xilie"]/span')

        print("desc数目:", len(desc_elements))

        # 点赞
        like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
        # 收藏
        collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
        # 评论
        comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])

        print("点赞:", like_count, "收藏:", collection_count, "评论:", comment_count)

    3-5  数据入库

    使用上面实例化的数据库对象执行 SQL,将数据插入到数据库中即可


    # 插入数据库
    sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
    title, author, like_count, collection_count, comment_count)

    # 执行
    self.db.execute(sql)

    4. 最后

    本篇文章通过一个简单的实例,聊到了 feapder 中最简单的爬虫 AirSpider

    关于 feapder 高级功能的使用,后面我将会通过一系列实例进行详细说明

    源码地址:https://github.com/xingag/spider_python/tree/master/feapder

    来源:https://mp.weixin.qq.com/s/j3gHUqHwbmKQHWpUYp9A3g

    0
    投稿

    猜你喜欢

    手机版 网络编程 asp之家 www.aspxhome.com