如何用 Python + Scrapy 爬取视频？-python scrapy框架

[[403300]]

本文转载自微信公众号「快学Python」，作者快快。转载本文请联系快学Python公众号。

人生苦短，快学Python!

今天将带大家简单了解Scrapy爬虫框架，并用一个真实案例来演示代码的编写和爬取过程。

一、scrapy简介

1. 什么是Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，我们只需要实现少量的代码，就能够快速的抓取

Scrapy使用了Twisted异步网络框架，可以加快我们的下载速度

http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

异步和非阻塞的区别

异步：调用在发出之后，这个调用就直接返回，不管有无结果

非阻塞：关注的是程序在等待调用结果时的状态，指在不能立刻得到结果之前，该调用不会阻塞当前线程

2. Scrapy工作流程

另一种爬虫方式

Scrapy工作流程

Scrapy engine(引擎)	总指挥:负责数据和信号的在不同模块间的传递	scrapy已经实现
Scheduler(调度器)	一个队列,存放引擎发过来的request请求	scrapy已经实现
Downloader(下载器)	下载把引擎发过来的requests请求,并返回给引擎	scrapy已经实现
Spider(爬虫)	处理引擎发来的response,提取数据,提取url,并交给引擎	需要手写
Item Pipline(管道)	处理引擎传过来的数据,比如存储	需要手写
Downloader Middlewares(下载中间件)	可以自定义的下载扩展，比如设置代理	一般不用手写
Spider Middlewares(中间件)	可以自定义requests请求和进行response过滤	一般不用手写

3. Scrapy入门

#1 创建一个scrapy项目 
scrapy startproject mySpider 
 
#2 生成一个爬虫 
scrapy genspider demo "demo.cn" 
 
#3 提取数据 
完善spider 使用xpath等 
 
#4 保存数据 
pipeline中保存数据

在命令中运行爬虫

scrapy crawl qb # qb爬虫的名字

在pycharm中运行爬虫

from scrapy import cmdline 
 
cmdline.execute("scrapy crawl qb".split())

4. pipline使用

从pipeline的字典形可以看出来，pipeline可以有多个，而且确实pipeline能够定义多个

为什么需要多个pipeline：

1 可能会有多个spider，不同的pipeline处理不同的item的内容

2 一个spider的内容可以要做不同的操作，比如存入不同的数据库中

注意：

1 pipeline的权重越小优先级越高

2 pipeline中process_item方法名不能修改为其他的名称

5. 文件目录结构

文件配置：

setting：

SPIDER_MODULES = ['st.spiders'] 
NEWSPIDER_MODULE = 'st.spiders' 
LOG_LEVEL = 'WARNING' # 这样设置可以在运行的时候不打印日志文件 
... 
# Obey robots.txt rules 
ROBOTSTXT_OBEY = False # 调整为false, 
... 
# Override the default request headers: # 头部信息,反爬 
DEFAULT_REQUEST_HEADERS = { 
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36', 
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 
  'Accept-Language': 'en', 
} 
... 
ITEM_PIPELINES = { # 打开管道 
   'st.pipelines.StPipeline': 300, 
}

为了运行文件方便：新建start.py(和settings在同一目录下)，

from scrapy import cmdline 
cmdline.execute('scrapy crawl stsp'.split()) # 这里爬虫项目名为stsp

目前是这样，后面提取数据的时候修改对应文件 .

二、页面分析

第一页url：https://699pic.com/video-sousuo-0-18-0-0-0-1-4-popular-0-0-0-0-0-0.html

url规律：

url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(i)

通过分析页面知道视频数据在li里面，如图所示.现在问题就简单了。

三、解析数据

def parse(self, response): 
    # global count 
    # count += 1 
    # print(response) 
    liList = response.xpath('//li') # 获取所有的li,后面提取有用的 
     
    print(len(liList)) # 76(然后分析可知,第11个到第70个是我们需要的数据) 
     
    newfolderName = 'page{}'.format(count) # 文件夹的名字page1,page2,.... 
    # 步骤二 创建一个新的文件夹 保存每页的视频 
    if not os.path.exists(newfolderName): 
        os.mkdir(newfolderName) 
 
    for li in liList[10:-6]: 
        video_link = li.xpath("./a/div/video/@data-original").extract_first() 
        videoLink = 'https:' + video_link # url拼接 
        title = li.xpath("./a[2]/h3/text()").extract_first() 
        # 下载数据: 
        res = requests.get(videoLink,headers=headers) 
        data = res.content 
                
        try: 
            with open(newfolderName + '/' + title + '.mp4','wb') as f: 
                 f.write(data) 
                 print('%s下载成功'%title) 
        except: 
           break

四、文件配置

items:

import scrapy 
class StItem(scrapy.Item): 
    # define the fields for your item here like: 
    # 和两个对应前面的数据 
    videoLink = scrapy.Field() 
    title = scrapy.Field() 
    # pass

设置好items文件后需要在爬虫文件(stsp.py)头部添加如下代码：

from st.items import StItem # 这个要设置根目录文件即st

然后调整stsp文件：

item = StItem(videoLink=videoLink,title=title)yield item # 这里必须使用yield,如果使用return最后在管道中只能得到一个文件

piplines：

# 前面的注释代码 
from itemadapter import ItemAdapter 
import csv 
 
class StPipeline: 
    def __init__(self): 
        # 打开文件，指定方式为写，利用第3个参数把csv写数据时产生的空行消除 
        self.f = open('Sp.csv','w',encoding='utf-8',newline='') 
        # 设置文件第一行的字段名，注意要跟spider传过来的字典key名称相同 
        self.file_name = ['title', 'videoLink'] 
        # 指定文件的写入方式为csv字典写入，参数1为指定具体文件，参数2为指定字段名 
        self.writer = csv.DictWriter(self.f, fieldnames=self.file_name) 
        # 写入第一行字段名，因为只要写入一次，所以文件放在__init__里面 
        self.writer.writeheader() 
 
    def process_item(self, item, spider): 
        # 写入spider传过来的具体数值 
        self.writer.writerow(dict(item)) # 这里的item是上面创建出来的实例对象,需要转换成dict 
        # 写入完返回 
        return item 
 
    def close_spider(self,spider): 
        self.f.close()

五、批量爬取

next_url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(count) # 这里的count是初始化的全局变量count,每次执行数据解析,就让他+1 
request = scrapy.Request(next_url) 
yield request

最后运行程序：

csv文件：

page2.mp4文件：