Scrapy爬取人人网

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

Scrapy发送Post请求

防止爬虫被反主要有以下几个策略

动态设置User-Agent（随机切换User-Agent，模拟不同用户的浏览器信息）

禁用Cookies（也就是不启用cookies middleware，不向Server发送cookies，有些网站通过cookie的使用发现爬虫行为）
可以通过COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭

设置延迟下载（防止访问过于频繁，设置为 2秒或更高）

Google Cache 和 Baidu Cache：如果可能的话，使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据。

使用IP地址池：VPN和代理IP，现在大部分网站都是根据IP来的。

Request/Response重要参数

request

url: 就是需要请求，并进行下一步处理的url
callback: 指定该请求返回的Response，由那个函数来处理。
method: 请求一般不需要指定，默认GET方法，可设置为"GET", "POST", "PUT"等，且保证字符串大写
headers: 请求时，包含的头文件。一般不需要
meta: 比较常用，在不同的请求之间传递数据使用的。字典dict型
encoding: 使用默认的 'utf-8' 就行。
dont_filter: 表明该请求不由调度器过滤。这是当你想使用多次执行相同的请求,忽略重复的过滤器。默认为False

Response

status: 响应码

_set_body(body)：响应体

_set_url(url)：响应url

logging设置

通过在setting.py中进行以下设置可以被用来配置logging:
LOG_ENABLED 默认: True，启用logging

LOG_ENCODING 默认: 'utf-8'，logging使用的编码

LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名

LOG_LEVEL 默认: 'DEBUG'，log的最低级别

LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。

开发工作中经常会加上以下两行：
LOG_FILE = “文件名.log"
LOG_LEVEL = "INFO"

爬取人人网

1.创建project

2.spider文件

# -*- coding: utf-8 -*-

import scrapy

class RenSpider(scrapy.Spider):

    name = 'ren'

    allowed_domains = ['renren.com']

    start_urls = ['http://www.renren.com/224570376']

    #

    # def parse(self, response):

    #     pass

    cookies ={

        "anonymid":"jh7sb9et-4tc38k",

        "depovince":"ZGQT",

        "_r01_":"",

        "JSESSIONID":"abchwEf-VGdFQ9MRUpKnw",

        "ick_login":"aa78cdea-7fa6-4f6f-a5d4-1506323cb55e",

        "jebecookies":"3b7201da-0aba-40b3-ad00-6b9d5808875e|||||",

        "_de":"B0FB6147C52129775E28A9DF15E724D26DEBB8C2103DE356",

        "p":"8353bac56f02e1e0172b6833946ea0076",

        "first_login_flag":"",

        "ln_uact":"caiselabi@111.com",

        "ln_hurl":"http://hdn.xnimg.cn/photos/hdn521/20141120/1105/h_main_nR8B_e1410004b198195a.jpg",

        "t":"ac38040778d340717a703a4900c225c46",

        "societyguester":"ac38040778d340717a703a4900c225c46",

        "id":"",

        "xnsid":"9bb6c227",

        "ver":"7.0",

        "loginfrom":"null",

        "jebe_key":"912e89dc-2c29-4be9-9ba4-1c5582b12e1d%7C8e4b075e43ad4e40475934c2b0db3c46%7C1526395913348%7C1%7C1526395915790",

        "wp_fold":0

    }

    def start_requests(self):

        for url in self.start_urls:

            yield scrapy.FormRequest(url=url,cookies=self.cookies,callback=self.parse)

    def parse(self, response):

        print(response.body.decode())  # 打印源码文本

        name = response.xpath('//p[@class="status"]/text()').extract_first()

        with open('renren.txt','w',encoding='utf-8') as f:

            f.write(name)

    # name_element = '//p[@class="status]/text()'

    # friend_element = '//div[@class="userhead"]/span/text()'

    #

    # def start_requests(self):

    #     url = "http://www.renren.com/PLogin.do"

    #

    #     yield scrapy.FormRequest(

    #         url=url,

    #         formdata={"email":"caiselabi@111.com","password":"111111"},

    #         callback=self.parse

    #     )

    #     print('*'*30)

    #

    #

    # def parse(self, response):

    #     print(response.body.decode())  # 打印源码文本

    #     name = response.xpath('//p[@class="status"]/text()').extract_first()

    #     print(name)

    #     friend =response.xpath('//div[@class="userhead"]/span/text()').extract_first()

    #     print(friend)

    #     # with open('renren.txt','w',encoding='utf-8') as f:

    #     #     # f.write(name)

3.settings

BOT_NAME = 'renren'

SPIDER_MODULES = ['renren.spiders']

NEWSPIDER_MODULE = 'renren.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'

# Obey robots.txt rules

ROBOTSTXT_OBEY = True

# log日志

LOG_ENABLED = True  # 默认: True，启用logging

LOG_FILE = 'renren.log'

LOG_LEVEL = 'DEBUG'

LOG_ENCODING = 'utf-8'

LOG_DATEFORMAT='%m/%d/%Y %H:%M:%S %p'

LOG_STDOUT = True

# 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示

4.运行