python抓取微信公众号所有文章

scrapy基本操作

• 基本介绍：基于异步爬虫的框架。高性能的数据解析，高性能的持久化存储，全站数据爬取，增量式，分布式…
• 环境的安装：

- Linux：

pip install scrapy

- Windows：

a. pip install wheel

  b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

    - twisted插件是scrapy实现异步操作的三方组件。
  c. 进入下载目录，执行 pip install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

  d. pip install pywin32

  e. pip install scrapy

scrapy基本使用

• 1.创建一个工程：scrapy startproject proName



• 工程的目录结构：

• spiders文件夹： 这里存放爬虫的主程序，这里可以写多个爬虫文件，分别执行不同的爬虫功能。

• 要求：必须要存储一个或者多页爬虫文件

• items.py： 这个文件定义了爬虫程序中爬取的字段信息，对应着数据库中的属性信息。
• middlewares.py： 下载中间件，可以对爬取到的网页信息尽心特定的处理。
• pipelines.py： 管道，也就是将返回来的item字段信息写入到数据库，这里可以写写入数据库的代码。
• settings.py： 配置文件。

• 2.创建爬虫文件

• cd proName
• scrapy genspider spiderName www.xxx.com

• 3.执行工程

• scrapy crawl spiderName
• 重点关注的日志信息：ERROR类型的日志信息

• settings.py：LOG_LEVEL = ‘ERROR’
• settings.py：不遵从robots协议
• settings.py:
• UA伪装：USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36’

settings.py代码参考以及配置意思的含义:

# Scrapy settings for vx_account project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# #Scrapy项目的名字,这将用来构造默认 User-Agent
BOT_NAME = 'vx_account'

FEED_EXPORT_ENCODING = 'utf-8'                  # 设置全局编码

SPIDER_MODULES = ['vx_account.spiders']             # Scrapy搜索spider的模块列表 默认: [xxx.spiders]
NEWSPIDER_MODULE = 'vx_account.spiders'             # 使用 genspider 命令创建新spider的模块。默认: 'xxx.spiders'

# 通过在用户代理上标识您自己（和您的网站）来负责地爬行
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'

# 遵守robots.txt规则
# Obey robots.txt rules
ROBOTSTXT_OBEY = False           # 不遵从robots协议

LOG_LEVEL = 'ERROR'              # ERROR类型的日志信息

# 配置Scrapy执行的最大并发请求（默认值：16）
# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# 同一网站的请求配置延迟（默认值：0）
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs

# 下载延迟
#DOWNLOAD_DELAY = 3

# 下载延迟设置将仅满足以下条件之一(二选一)
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# 禁用cookie（默认情况下启用）
# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# 禁用telnet控制台（默认启用）
# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# 覆盖默认请求头
# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# 启用或禁用蜘蛛中间件
# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'vx_account.middlewares.VxAccountSpiderMiddleware': 543,
#}

# 启用或禁用下载器中间件
# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'vx_account.middlewares.VxAccountDownloaderMiddleware': 543,
#}

# 启用或禁用扩展
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# 管道配置项目
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'vx_account.pipelines.VxAccountPipeline': 300,
#}

# 启用和配置AutoThrottle扩展（默认情况下禁用）
# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True

# 初始下载延迟
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5

# 在高延迟情况下设置的最大下载延迟
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60

# Scrapy平均请求数应与每个远程服务器并行发送
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# 启用和配置HTTP缓存（默认情况下禁用）
# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

数据解析

- 数据解析
    - 使用xpath进行数据解析
    - 注意：使用xpath表达式解析出来的内容不是直接为字符串，而是Selector对象，想要的
        字符串数据是存储在该对象中。
        - extract():如果xpath返回的列表元素有多个
        - extract_first()：如果xpath返回的列表元素只有一个

首先我们来看看 我们要爬的网页

小知识点：

- 数据解析
    - 使用xpath进行数据解析
    - 注意：使用xpath表达式解析出来的内容不是直接为字符串，而是Selector对象，想要的
        字符串数据是存储在该对象中。
        - extract():如果xpath返回的列表元素有多个
        - extract_first()：如果xpath返回的列表元素只有一个

打开spiders文件夹下爬虫文件
wechat/wechat/spiders/wechatspider.py

代码如下:

# coding=utf-8
import scrapy


class WechatspiderSpider(scrapy.Spider):
    # 爬虫文件名称：当前爬虫文件的唯一标识
    name = 'wechatspider'

    # 允许的域名：
    allowed_domains = ['mp.weixin.qq.com/s/kfIAZmK5bAOMHuuHnL_ZMw']

    # 起始的url列表：存储即将要发起请求的url，列表存有的url都会被框架自动进行get请求的发送
    start_urls = ['http://mp.weixin.qq.com/s/kfIAZmK5bAOMHuuHnL_ZMw']

    # 数据解析
    # 参数response就是请求成功后对应的响应对象
    def parse(self, response):
        all_list = []
        course_list = response.xpath('//*[@id="js_content"]/section')

        for i in course_list:
            course_title = i.xpath('.//span//text()').extract_first()
            course_url = i.xpath('.//@href').extract_first()
            print(course_url)
            print(course_title)
            if course_title:
                dic = {
                    'course_title': course_title,
                    'course_url': course_url
                }
                all_list.append(dic)
        return all_list

持久化存储

- 持久化存储
    - 基于终端指令的持久化存储
        - 只可以将parse方法的返回值存储到制定后缀的文本文件中
        - 局限性：
            - 1.只可以将parse方法返回值进行持久化存储
            - 2.只可以将数据存储到文件中无法写入到数据库
        - 指令：scrapy crawl spiderName -o filePath
    - 基于管道的持久化存储
        - 1.在爬虫文件中进行数据解析
        - 2.在items.py文件中定义相关的属性
            - 属性的个数要和解析出来的字段个数同步
        - 3.将解析出来的数据存储到item类型的对象中
        - 4.将item提交给管道
        - 5.在管道中接收item对象且将该对象中存储的数据做任意形式的持久化存储
        - 6.在配置文件中开启管道机制

• 基于终端指令的持久化存储
  cd 项目文件下
  用命令把爬取课程名和url地址存在本地

scrapy crawl wechatspider -o qwq.csv

• 基于管道的持久化存储
  1.spider文件下得爬虫文件wechatspider.py

# coding=utf-8
import scrapy
from wechat.wechat.items import WechatItem

class WechatspiderSpider(scrapy.Spider):
    # 爬虫文件名称：当前爬虫文件的唯一标识
    name = 'wechatspider'

    # 允许的域名：
    allowed_domains = ['mp.weixin.qq.com/s/kfIAZmK5bAOMHuuHnL_ZMw']

    # 起始的url列表：存储即将要发起请求的url，列表存有的url都会被框架自动进行get请求的发送
    start_urls = ['http://mp.weixin.qq.com/s/kfIAZmK5bAOMHuuHnL_ZMw']

    # 数据解析
    # 参数response就是请求成功后对应的响应对象
    # 基于管道
    def parse(self, response):

        all_list = []
        course_list = response.xpath('//*[@id="js_content"]/section')

        for i in course_list:
            course_title = i.xpath('.//span//text()').extract_first()
            course_url = i.xpath('.//@href').extract_first()
            print(course_url)
            print(course_title)

            # 实例化item类型的对象
            item = WechatItem()
            item['course_title'] = course_title
            item['course_url'] = course_url

            # 将item提交给管道
            yield item

2.items.py代码

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class WechatItem(scrapy.Item):
    # define the fields for your item here like:
    course_url = scrapy.Field()
    course_title = scrapy.Field()

3.去settings里开启管道配置。

-  300：表示管道的优先级，数值越小优先级越高，优先级越高表示该管道越先被执行

4.1 封装管道类，把数据储存到txt文件里 ; pipelines.py代码:

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class WechatPipeline:
    fp = None

    def open_spider(self, spider):  # 方法只会在爬虫开始时执行一次
        print('i am open_spider()')
        self.fp = open('./qwq.txt', 'w', encoding='utf-8')

    # 用来接收item对象,该方法调用的次数取决于爬虫文件像管道提交item的次数
    # 参数：
    # - item：就是接收到的item对象
    # - spider：爬虫类实例化的对象
    def process_item(self, item, spider):
        course_url = item['course_url']
        course_title = item['course_title']
        self.fp.write(course_url + ':' + course_title)

        return item

    def close_spider(self, spider):  # 在爬虫结束时被执行一次
        print('i am close_spider()')
        self.fp.close()

4.1 封装管道类，把数据储存到mysql里 ; pipelines.py代码:
，我比较懒，不喜写SQL语句，用sqlalchemy来处理的。

mysql 创建库:

create database wechat charset utf8mb4;

cd spiderst同级目录下
mkdir docs
新建models.py:

from sqlalchemy import Column, String, DateTime, Boolean, create_engine, Integer, Text, ForeignKey
from sqlalchemy.orm import sessionmaker, relationship
# relationship两个表之间的外键关系
from sqlalchemy.ext.declarative import declarative_base
from alembic import op

# 创建对象的基类:
Base = declarative_base()


# 定义表对象
class Course(Base):
    # 定义数据库表名
    __tablename__ = 'course'

    # 表的结构 参数参照上面表单
    gid = Column(Integer(), primary_key=True, comment='主键ID')
    course_url = Column(String(5000), comment="课程url")
    course_title = Column(String(50), comment='课程标题！')

执行命令:

alembic init migrations

修改alembic.ini、enc.py代码 ，参考：
也可以自行百度如何迁移，

alembic revision --autogenerate -m “v1”

alembic upgrade head

最后的表结构：

去settings添加管道：

修改pipelines.py,代码:
下面封装了三个管道类：

txt文件，mysql，Redis

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from wechat.docs.models import Course
from sqlalchemy import Column, String, DateTime, Boolean, create_engine, Integer, Text, ForeignKey
from sqlalchemy.orm import sessionmaker, relationship
import pandas as pd
import pymysql
import redis
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

# 封装一个管道类，将数据存储到mysql中


class MysqlPipeline:
    engine = None       # 链接对象
    Session = None      # session对象:
    session = None

    def open_spider(self, spider):
        self.engine = create_engine('mysql+pymysql://root:123456@127.0.0.1:3306/wechat', echo=True)
        # 创建一个会话
        self.Session = sessionmaker(bind=self.engine)
        # 创建session对象:
        print(self.engine)

    def process_item(self, item, spider):
        course_url = item['course_url']
        course_title = item['course_title']
        self.session = self.Session()


        print('qwq')
        try:
            new_page = Course(course_title=course_title, course_url=course_url)
            self.session.add(new_page)
            self.session.commit()
        except Exception as e:
            print(e)
            self.session.rollback()
        return item

    def close_spider(self, spider):
        self.session.close()


class WechatPipeline:
    fp = None

    def open_spider(self, spider):  # 方法只会在爬虫开始时执行一次
        print('i am open_spider()')
        self.fp = open('./qwq.txt', 'w', encoding='utf-8')

    # 用来接收item对象,该方法调用的次数取决于爬虫文件像管道提交item的次数
    # 参数：
    # - item：就是接收到的item对象
    # - spider：爬虫类实例化的对象
    def process_item(self, item, spider):
        course_url = item['course_url']
        course_title = item['course_title']
        if course_url is not None or course_title is not None:

            self.fp.write([course_title if course_title is not None else 'null'][0] + ':' + [course_url if course_url is not None else 'null'][0] + '\n')
        return item

    def close_spider(self, spider):  # 在爬虫结束时被执行一次
        print('i am close_spider()')
        self.fp.close()


# 封装一个管道类，将数据存储到redis中
class redisPipeLine:
    conn = None
    def open_spider(self,spider):
        self.conn = redis.Redis(host='192.168.152.128', port=6379)
    def process_item(self,item,spider):
        course_url = item['course_url']
        course_title = item['course_title']
        if course_url is not None or course_title is not None:

            self.conn.lpush('wechat', [course_title if course_title is not None else 'null'][0] + ':' + [course_url if course_url is not None else 'null'][0])
            return item


# 不使用orm写入mysql里
# 封装一个管道类，将数据存储到mysql中
# class MysqlPipeline:
#     conn = None
#     cursor = None
#
#     def open_spider(self, spider):
#         self.conn = pymysql.Connect(host='127.0.0.1', port=3306, user='root', password='123456', db='spider',
#                                     charset='utf8')
#         print(self.conn)
#
#     def process_item(self, item, spider):
#         author = item['author']
#         content = item['content']
#         self.cursor = self.conn.cursor()
#         sql = 'insert into new_qiubai values ("%s","%s")' % (author, content)
#         print(sql)
#         try:
#             self.cursor.execute(sql)
#             self.conn.commit()
#         except Exception as e:
#             print(e)
#             self.conn.rollback()
#         return item
#
#     def close_spider(self, spider):
#         self.cursor.close()
#         self.conn.close()

执行命令 :

scrapy crwal wechatspider

储存后的mysql：

储存后的redis：

储存后txt：

持久化储存的知识点总结

- 持久化存储
    - 基于终端指令的持久化存储
        - 只可以将parse方法的返回值存储到制定后缀的文本文件中
        - 局限性：
            - 1.只可以将parse方法返回值进行持久化存储
            - 2.只可以将数据存储到文件中无法写入到数据库
        - 指令：scrapy crawl spiderName -o filePath
    - 基于管道的持久化存储
        - 1.在爬虫文件中进行数据解析
        - 2.在items.py文件中定义相关的属性
            - 属性的个数要和解析出来的字段个数同步
        - 3.将解析出来的数据存储到item类型的对象中
        - 4.将item提交给管道
        - 5.在管道中接收item对象且将该对象中存储的数据做任意形式的持久化存储
        - 6.在配置文件中开启管道机制
    - 管道细节处理
        - 在配置文件中，管道对应的数值表示的是优先级
        - 什么情况下需要使用多个管道类？
            - 数据备份。一个管道类表示将数据存储到一种形式的载体中。
        - 想要将数据存储到mysql一份，redis一份，需要有两个管道类来实现。
        - 小知识点：
            - 爬虫文件向管道提交的item只会提交给优先级最高的那一个管道类
            - proces_item方法中的return item的作用？
                - 将item对象提交给下一个即将被执行的管道类

redis的基础使用

- redis数据库的使用
    - redis是一个非关系型数据库
        - 查看所有数据：keys *
        - 删除所有数据：flushall
        - set集合:
            - 插入数据sadd 集合的名称  存储的值
            - 查看数据：smembers 集合的名称
            - set集合可以去重
        - list列表
            - 插入数据：lpush 列表的名称 插入的值
            - 查看数据：lrange 列表名称 0  -1
            - 查看长度：llen 列表名称
            - 可以存储重复的数据
    - 在redis官网中下载安装redis数据库
    - 1.启动redis的服务器端
        - redis-server
    - 2,启动客户端
        - redis-cli

全站数据爬取

- 全站数据爬取
    - 将所有页码对应的数据进行爬取+存储
    - 手动请求发送：
        - 通过代码的形式进行请求发送
            - yield scrapy.Request(url,callback):
                - 可以对指定url发起get请求，回调callback进行数据解析
        - 手动发起post请求：
            - yield scrapy.FormRequest(url,formdata,callback)
    - 问题：start_urls列表中的url是如何发起post请求？
         重写父类如下方法即可：
         def start_requests(self):
            for url in self.start_urls:
                yield scrapy.FormRequest(url=url,callback=self.parse)