基于scrapy的可配置爬虫，大大提高工作效率

发表于

原理说明

基于spalsh或者selenium的渲染后HTML，通过配置文件解析，入库。
提高了效率，一天可以写几十个配置dict，即完成几十个网站爬虫的编写。

配置文件说明:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
复制代码{
                "industry_type": "政策",  # 行业类别
                "website_type": "央行",  # 网站/微信公众号名称
                "url_type": "中国人民银行-条法司-规范性文件",  # 网站模块
                "link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html",  # 访问链接
                "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
                # 提取文章列表xpath对象
                "title_xpath": "./a",  # 提取标题
                "title_parse": "./@title",  # 提取标题
                "title_link_xpath": "./a/@href",  # 提取标题链接
                "date_re_switch": "False",  # 是否使用正则提取日期时间
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./following-sibling::span[1]",  # 提取日期时间
                "date_parse": "./text()",  # 提取日期时间
                "content": '//*[@class="content"]',  # 正文HTML xpath
                "prefix": "http://www.pbc.gov.cn/",  # link前缀
                "config": "{'use_selenium':'False'}"  # 其他配置：是否使用selenium（默认使用spalsh）
            },

完整代码参考

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
复制代码# -*- coding: utf-8 -*-
'''
需求列表:使用任何资讯网站的抓取
央行：
http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html
http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html

公安部：
https://www.mps.gov.cn/n2254314/n2254487/
https://www.mps.gov.cn/n2253534/n2253535/index.html
http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/

'''
from risk_control_info.items import BIgFinanceNews
import dateparser

from w3lib.url import canonicalize_url
from urllib.parse import urljoin
import scrapy
from scrapy_splash import SplashRequest

from risk_control_info.utils import make_md5, generate_text, clean_string
import re

script = """
function main(splash, args)
  splash.images_enabled = false
  splash:set_user_agent("{ua}")
  assert(splash:go(args.url))
  assert(splash:wait(args.wait))
  return splash:html()
end""".format(
    ua="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36")


class BigFinanceAllGovSpider(scrapy.Spider):
    name = 'big_finance_all_gov'
    custom_settings = {
        'RANDOMIZE_DOWNLOAD_DELAY': True,
        'DOWNLOAD_DELAY': 60 / 360.0,
        'CONCURRENT_REQUESTS_PER_IP': 8,
        'DOWNLOADER_MIDDLEWARES': {
            'scrapy_splash.SplashCookiesMiddleware': 723,
            'scrapy_splash.SplashMiddleware': 725,
            'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
            # 'risk_control_info.middlewares.SplashProxyMiddleware': 843,  # 代理ip,此方法没成功
            'risk_control_info.middlewares.RandomUserAgentMiddleware': 843,
            'risk_control_info.middlewares.SeleniumMiddleware': 844
        },
        # 入库
        'ITEM_PIPELINES': {
            'risk_control_info.pipelines.RiskControlInfoPipeline': 401,
            'risk_control_info.pipelines.MysqlPipeline': 402,
        },
        'SPIDER_MIDDLEWARES': {
            'risk_control_info.middlewares.RiskControlInfoSpiderMiddleware': 543,
            'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
        },
    }

    def __init__(self, **kwargs):
        super().__init__()
        self.env = kwargs.get('env', 'online')

    def start_requests(self):
        for target in self.target_info():
            if target.get('title_xpath') and target.get('title_link_xpath') \
                    and target.get('date_xpath') and target.get('article_rows_xpath'):
                self.logger.info(f"目标网站可配置爬虫信息:{target}")
                # 使用selenium
                if target.get("config") and eval(eval(target.get("config")).get('use_selenium')):
                    self.logger.info(f"使用 Selenium 请求 {target['link']}")
                    yield scrapy.Request(url=target['link'],
                                         meta={
                                             "target": target,
                                             "use_selenium": True
                                         },
                                         callback=self.parse,
                                         )
                else:
                    # 默认使用 Splash
                    self.logger.info(f"使用 Splash 请求 {target['link']}")
                    yield SplashRequest(url=target['link'],
                                        meta={"target": target},
                                        callback=self.parse,
                                        # endpoint='execute',
                                        # args={
                                        #     'lua_source': script,
                                        #     'wait': 8},
                                        endpoint='render.json',
                                        args={
                                            # 'lua_source': script,
                                            # 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}",
                                            'wait': 10,
                                            'html': 1,
                                            'png': 1
                                        },
                                        )

    def parse(self, response):
        target = response.meta['target']
        article_rows = response.xpath(target['article_rows_xpath'])
        # 遍历所有文字列表
        for article_row in article_rows:
            item = BIgFinanceNews()
            # 处理标题
            _article_row = article_row.xpath(target['title_xpath'])  # 定位标题
            item['title'] = clean_string(
                generate_text(_article_row.xpath(target['title_parse']).extract_first().strip()))  # 解析标题

            # 处理链接
            if target.get('prefix'):
                item['title_link'] = urljoin(target['prefix'], article_row.xpath(
                    target['title_link_xpath']).extract_first())
            else:
                item['title_link'] = article_row.xpath(target['title_link_xpath']).extract_first()

            # 处理发布日期
            # 日期顺序规则
            date_order = "YMD"
            _title_time = article_row.xpath(target['date_xpath'])  # 定位:发布时间
            _date_str = clean_string(
                generate_text(_title_time.xpath(target['date_parse']).extract_first()))  # 解析:发布时间
            if not eval(target.get('date_re_switch')):
                item['title_time'] = dateparser.parse(_date_str, settings={'DATE_ORDER': date_order}).strftime(
                    "%Y-%m-%d")
            else:  # 使用正则提取时间字符串，存在默认正则表达式
                date_re_expression = target.get('date_re_expression', None)
                _expression = date_re_expression or r"(20\d{2}[-/]?\d{2}[-/]?\d{2})"
                results = re.findall(r"%s" % _expression, _date_str, re.S)
                self.logger.info(f"_date_str:{_date_str},results:{results} ")
                if results:
                    item['title_time'] = dateparser.parse(results[0], settings={'DATE_ORDER': date_order}).strftime(
                        "%Y-%m-%d")
                else:
                    item['title_time'] = None

            # 以下写死的
            item['bi_channel'] = "gov"
            item['industry_type'] = f"{target['industry_type']}"
            item['website_type'] = f"{target['website_type']}"
            item['url_type'] = f"{target['url_type']}"
            item['title_hour'] = 0  # 原网站没有发布时间,0代替
            item['source_type'] = 0  # 数据来源，0 网站web, 1 微信公众号
            item['redis_duplicate_key'] = make_md5(item['title'] + canonicalize_url(item['title_link']))

            # 请求详情页
            # 使用selenium
            if target.get("config") and eval(eval(target.get("config")).get('use_selenium')):
                self.logger.info(f"使用 Selenium 请求 {item['title_link']}")
                yield scrapy.Request(url=item['title_link'],
                                     meta={
                                         "target": target,
                                         "use_selenium": True,
                                         "item": item
                                     },
                                     callback=self.parse_detail,
                                     )
            else:
                # 使用 Splash
                self.logger.info(f"使用 Splash 请求 {item['title_link']}")
                yield SplashRequest(url=item['title_link'],
                                    meta={
                                        "target": target,
                                        "item": item
                                    },
                                    callback=self.parse_detail,
                                    # endpoint='execute',
                                    # args={
                                    #     'lua_source': script,
                                    #     'wait': 8},
                                    endpoint='render.json',
                                    args={
                                        # 'lua_source': script,
                                        # 'proxy': f"http://{proxy_ip_dict['ip']}:{proxy_ip_dict['port']}",
                                        'wait': 20,
                                        'html': 1,
                                        'png': 1
                                    },
                                    )

    def parse_detail(self, response):
        self.logger.info(f"处理详情页 {response.url}")
        item = response.meta['item']
        target = response.meta['target']
        print(response.xpath(target['content']))
        if response.xpath(target['content']):
            item['content'] = generate_text(response.xpath(target['content']).extract_first())
        else:
            item['content'] = ""

        yield item

    @staticmethod
    def target_info():
        '''
        返回目标网站信息
        '''
        target_list = [
            {
                "industry_type": "政策",  # 行业类别
                "website_type": "央行",  # 网站/微信公众号名称
                "url_type": "中国人民银行-条法司-规范性文件",  # 网站模块
                "link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html",  # 访问链接
                "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
                # 提取文章列表xpath对象
                "title_xpath": "./a",  # 提取标题
                "title_parse": "./@title",  # 提取标题
                "title_link_xpath": "./a/@href",  # 提取标题链接
                "date_re_switch": "False",  # 是否使用正则提取日期时间
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./following-sibling::span[1]",  # 提取日期时间
                "date_parse": "./text()",  # 提取日期时间
                "content": '//*[@class="content"]',  # 正文HTML xpath
                "prefix": "http://www.pbc.gov.cn/",  # link前缀
                "config": "{'use_selenium':'False'}"  # 其他配置：是否使用selenium（默认使用spalsh）
            },

            {
                "industry_type": "政策",  # 行业类别
                "website_type": "央行",  # 网站/微信公众号名称
                "url_type": "中国人民银行-条法司-其他文件",  # 网站模块
                "link": "http://www.pbc.gov.cn/tiaofasi/144941/144959/index.html",  # 访问链接
                "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
                "title_xpath": "./a",
                "title_parse": "./@title",
                "title_link_xpath": "./a/@href",
                "date_re_switch": "False",  # 是否使用正则提取日期时间
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./following-sibling::span[1]",
                "date_parse": "./text()",
                "content": '//*[@class="content"]',  # 正文HTML xpath
                "prefix": "http://www.pbc.gov.cn/",
                "config": "{'use_selenium':'False'}"
            },

            {
                "industry_type": "政策",  # 行业类别
                "website_type": "公安部",  # 网站/微信公众号名称
                "url_type": "中华人民共和国公安部-规划计划",  # 网站模块
                "link": "https://www.mps.gov.cn/n2254314/n2254487/",  # 访问链接
                "article_rows_xpath": '//span/dl/dd',
                "title_xpath": "./a",
                "title_parse": "./text()",
                "title_link_xpath": "./a/@href",
                "date_re_switch": "True",  # 是否使用正则提取日期时间 ( 2020-04-14 )
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./span",
                "date_parse": "./text()",
                "content": '//*[@class="arcContent center"]',  # 正文HTML xpath
                "prefix": "https://www.mps.gov.cn/",
                "config": "{'use_selenium':'True'}"
            },

            {
                "industry_type": "政策",  # 行业类别
                "website_type": "公安部",  # 网站/微信公众号名称
                "url_type": "中华人民共和国公安部-公安要闻",  # 网站模块
                "link": "https://www.mps.gov.cn/n2253534/n2253535/index.html",  # 访问链接
                "article_rows_xpath": '//span/dl/dd',
                "title_xpath": "./a",
                "title_parse": "./text()",
                "title_link_xpath": "./a/@href",
                "date_re_switch": "True",  # 是否使用正则提取日期时间 ( 2020-04-14 )
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./span",
                "date_parse": "./text()",
                "content": '//*[@class="arcContent center"]',  # 正文HTML xpath
                "prefix": "https://www.mps.gov.cn/",
                "config": "{'use_selenium':'True'}"
            },

            {
                "industry_type": "政策",  # 行业类别
                "website_type": "公安部",  # 网站/微信公众号名称
                "url_type": "七台河市人民政府-信息上报系统-市辖单位-公安局",  # 网站模块
                "link": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/",  # 访问链接
                "article_rows_xpath": '//td[contains(text(), "公安局")]/parent::tr/parent::tbody/parent::table/parent::td/parent::tr/following::tr[1]/td/table//tr/td/a/parent::td/parent::tr',
                "title_xpath": "./td/a",
                "title_parse": "./@title",
                "title_link_xpath": "./td/a/@href",
                "date_re_switch": "False",  # 是否使用正则提取日期时间 ( 2020-04-14 )
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./td[3]",
                "date_parse": "./text()",
                "content": '//*[@class="TRS_Editor"]',  # 正文HTML xpath
                "prefix": "http://www.qth.gov.cn/xxsbxt/sxdw/gajxx/",
                "config": "{'use_selenium':'False'}"
            },

        ]
        for target in target_list:
            yield target

本文转载自: 掘金

开发者博客 – 和开发相关的 这里全都有

0%