目录
- 1. 加代理，cookie，header，加入selenium
- 1.1 加代理
- 1.2 加cookie,修改请求头，随机生成UserAgent
- 2. 去重规则源码分析（布隆过滤器）
- 3. scrapy-redis实现分布式爬虫
- 4. 爬虫
1. 加代理，cookie，header，加入selenium
1.1 加代理
# 在爬虫中间件中
def get_proxy(self):
import requests
res=requests.get('http://192.168.1.143:5010/get/').json()
if res.get('https'):
return 'https://'+res.get('proxy')
else:
return 'http://' + res.get('proxy')
def process_request(self, request, spider):
# request 就是咱们在解析中yiedl的Request的对象
# spider 就是爬虫对象
####1 加代理--->配置文件配置
pro=self.get_proxy()
request.meta['proxy'] = pro
# 下载超时时间 download_timeout
print(request.meta)
return None
### 重点：如果中间件中出了异常，会调用中间件的process_exception
-记录日志
-把当前爬取的request对象，return出去，会被引擎重新放回调度器，等待下次执行
1.2 加cookie,修改请求头，随机生成UserAgent
### 1 加cookie
print(request.cookies)
request.cookies['name']='pyy'
request.cookies=从cookie池中取出来的cookie
###2 修改请求头
# print(request.headers)
# request.headers['referer']='http://127.0.0.1:8000'
### 3 请求头中有user_agent，这个我们想每次都随机一个，而不是使用写死的
-fake_useragent模块，可以随机生成user-aget
from fake_useragent import UserAgent
ua = UserAgent()
print(ua.ie) #随机打印ie浏览器任意版本
print(ua.firefox) #随机打印firefox浏览器任意版本
print(ua.chrome) #随机打印chrome浏览器任意版本
print(ua.random) #随机打印任意厂家的浏览器
from fake_useragent import UserAgent
ua = UserAgent()
request.headers['User-Agent'] = ua.random
print(request.headers)
1.3 集成selenium
# 使用scrapy，爬取网页，本质跟使用requests模块是一样的，模拟发送http请求，有的网站，页面可能不是一次http请求返回的所有数据，会执行js，再发ajax，得到的所有数据，所有有的网页，咱们可以使用selenium去爬取
# 字符串和bytes相互转化
字符串转bytes
-方式一：lqz'.encode(encoding='utf-8')
-方式二：bytest('字符串'，encoding='utf-8')
bytes转字符串
-方式一：b'lqz'.decode(encoding='utf-8')
-方式二：str('bytes格式'，encoding='utf-8')
# 使用步骤：只用selenium爬取cnblogs的首页和下一页 （一旦使用selenium速度就慢）
-第一步：在爬虫类的类属性中写
class CnblogsSpider(scrapy.Spider):
bro = webdriver.Chrome(executable_path='./chromedriver.exe')
-第二步：在中间件中使用selenium爬取
if request.meta.get('user_selenium'): #有的用，有的不用
spider.bro.get(request.url)
from scrapy.http import HtmlResponse
response = HtmlResponse(url=request.url, body=bytes(spider.bro.page_source, encoding='utf-8'))
return response
else:
return None
-第三步：在爬虫类中关闭
def close(self, spider, reason):
self.bro.close()
2. 去重规则源码分析（布隆过滤器）
# scrapy 可以去重
# 研究去重的底层实现是如何实现的
-我们想的话：把爬取过的网址，放在集合中，下次爬取之前，先看集合中有没有，如果有，就不爬了
-源码在哪去的重？调度器---》调度器源码
# 源码 调度器的类：from scrapy.core.scheduler import Scheduler
# 这个方法如果return True表示这个request要爬取，如果return表示这个网址就不爬了(已经爬过了)
def enqueue_request(self, request: Request) -> bool:
# request当次要爬取的地址对象
if not request.dont_filter and self.df.request_seen(request):
# 有的请情况，在爬虫中解析出来的网址，不想爬了，就就可以指定
# yield Request(url=url, callback=self.detail_parse, meta={'item': item},dont_filter=True)
# 如果符合这个条件，表示这个网址已经爬过了
return False
return True
-self.df 是去重类的对象 RFPDupeFilter
-在配置文件中如果配置了：DUPEFILTER_CLASS = 'scrapy.dupefilters.RFPDupeFilter'表示，使用它作为去重类，按照它的规则做去重
-RFPDupeFilter的request_seen
def request_seen(self, request: Request) -> bool:
# request_fingerprint 生成指纹
fp = self.request_fingerprint(request) #request当次要爬取的地址对象
#判断 fp 在不在集合中，如果在，return True
if fp in self.fingerprints:
return True
#如果不在，加入到集合，return False
self.fingerprints.add(fp)
return False
-生成指纹，指纹是什么？
-www.cnblogs.com?name=lqz&age=19
-www.cnblogs.com?age=19&name=lqz
-上面的两种地址生成的指纹是一样的
# 测试指纹
from scrapy.utils.request import RequestFingerprinter
from scrapy import Request
fingerprinter = RequestFingerprinter()
request1 = Request(url='http://www.cnblogs.com?name=lqz&age=20')
request2 = Request(url='http://www.cnblogs.com?age=19&name=lqz')
res1 = fingerprinter.fingerprint(request1).hex()
res2 = fingerprinter.fingerprint(request2).hex()
print(res1)
print(res2)
# 总结：scrapy的去重规则
-根据配置的去重类RFPDupeFilter的request_seen方法，如果返回True，就不爬了，如果返回False就爬
-后期咱们可以使用自己定义的去重类，实现去重
# 更小内存实现去重
-如果是集合：存的数据库越多，占内存空间越大，如果数据量特别大，可以使用布隆过滤器实现去重
# 布隆过滤器：https://zhuanlan.zhihu.com/p/94668361
#bloomfilter：是一个通过多哈希函数映射到一张表的数据结构，能够快速的判断一个元素在一个集合内是否存在，具有很好的空间和时间效率。（典型例子，爬虫url去重）
# 原理： BloomFilter 会开辟一个m位的bitArray(位数组)，开始所有数据全部置 0 。当一个元素（www.baidu.com）过来时，能过多个哈希函数（h1,h2,h3....）计算不同的在哈希值，并通过哈希值找到对应的bitArray下标处，将里面的值 0 置为 1 。
# Python中使用布隆过滤器
# 测试布隆过滤器
# 可以自动扩容指定错误率，底层数组如果大于了错误率会自动扩容
# from pybloom_live import ScalableBloomFilter
# bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001, mode=ScalableBloomFilter.LARGE_SET_GROWTH)
# url = "www.cnblogs.com"
# url2 = "www.liuqingzheng.top"
# bloom.add(url)
# bloom.add(url2)
# print(url in bloom)
# print(url2 in bloom)
from pybloom_live import BloomFilter
bf = BloomFilter(capacity=10)
url = 'www.baidu.com'
bf.add(url)
bf.add('aaaa')
bf.add('ggg')
bf.add('deww')
bf.add('aerqaaa')
bf.add('ae2rqaaa')
bf.add('aerweqaaa')
bf.add('aerwewqaaa')
bf.add('aerereweqaaa')
bf.add('we')
print(url in bf)
print("wa" in bf)
# 重写scrapy的过滤类
3. scrapy-redis实现分布式爬虫
# 什么是分布式爬虫
-原来使用一台机器爬取cnblogs整站
-现在想使用3台机器爬取cnblogs整站
# 如果变成分布式，面临的问题
-1 去重集合，我们要使用同一个----》redis集合
-2 多台机器使用同一个调度器：Scheduler，排队爬取，使用同一个队列
# scrapy-redis 已经解决这个问题了，我只需要在我们单机基础上，改动一点，就变成了分布式爬虫
# 使用步骤
第一步：安装scrapy-redis ---》pip3 install scrapy-redis
第二步：改造爬虫类
from scrapy_redis.spiders import RedisSpider
class CnblogSpider(RedisSpider):
name = 'cnblog_redis'
allowed_domains = ['cnblogs.com']
# 写一个key：redis列表的key，起始爬取的地址
redis_key = 'myspider:start_urls'
第三步：配置文件配置
# 分布式爬虫配置
# 去重规则使用redis
REDIS_HOST = 'localhost' # 主机名
REDIS_PORT = 6379 # 端口
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" #看了源码
SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 先进先出：队列，先进后出：栈
# 持久化：文件，mysql，redis
ITEM_PIPELINES = {
'cnblogs.pipelines.CnblogsFilePipeline': 300,
'cnblogs.pipelines.CnblogsMysqlPipeline': 100,
'scrapy_redis.pipelines.RedisPipeline': 400, #简单看
}
第四步：在多台机器上启动scrapy项目，在一台机器起了多个scrapy爬虫进程，就相当于多台机器
-进程，线程，协程。。。
-进程间数据隔离 IPC
第五步：把起始爬取的地址放到redis的列表中
lpush mycrawler:start_urls http://www.cnblogs.com/
4. 爬虫
# 1 js逆向
# 2 抓包工具的使用
-fiddler
-青花瓷
# 3 appnium 自动操作手机
# 3 抓取app的包，使用fiddler做代理，就可以抓取app的包
# 4 app逆向 安卓
-java写的----》xx.jar---->反编译---》java代码
-so 文件加密，
python---》dll
java----》so：c语言写的
-so文件的动态调试----》汇编