自制python爬蟲程序模板（爬蟲小白亦可用）

• • • • 1.mysql數(shù)據(jù)庫鏈接
      • 2. 頁面請求過程
      • 3. 數(shù)據(jù)提取處理
      • 4. 數(shù)據(jù)保存處理。

??在平時揮手大干項目的過程中，時不時會有一些小的爬蟲任務需要處理，因此專門寫了一個爬蟲框架，基本覆蓋平常用到的網(wǎng)站，覺得使用效果不錯，分享出來給大家使用，也請各路大神走過路過提些好的意見。
??接下來為大家簡單介紹一下每個模塊實現(xiàn)過程及思路。本文結(jié)束后處會附全部代碼，前面代碼只是便于大家理解，無需挨個粘貼。

1.mysql數(shù)據(jù)庫鏈接

??本程序使用mysql數(shù)據(jù)庫讀取和保存數(shù)據(jù)，為了工作過程中的安全和方便，我們通過另外一個程序?qū)?shù)據(jù)庫鏈接賬號密碼等數(shù)據(jù)，保存中windows注冊表中，可通過 win+regedit 調(diào)出查看。（此塊僅適用于windows系統(tǒng)，若需在linux上使用，則不使用此模塊鏈接數(shù)據(jù)庫），本模塊中數(shù)據(jù)庫鏈接方式見代碼：

    def read_setttings_zhuce(self, file, winn_c_u=winreg.HKEY_CURRENT_USER):
        """
            讀取注冊表中的設置
        """
        parentkey = winreg.OpenKey(winn_c_u, file)
        # 獲取該鍵的所有鍵值，因為沒有方法可以獲取鍵值的個數(shù)，所以只能用這種方法進行遍歷
        item = dict()
        try:
            i = 0
            while True:
                # EnumValue方法用來枚舉鍵值，EnumKey用來枚舉子鍵
                name, value, type = winreg.EnumValue(parentkey, i)
                item[name] = value
                i += 1
        except Exception as e:
            pass
        return item
    
    def __init__(self, start_p):
        # 注意，super().__init__() 一定要寫
        # 而且要寫在最前面，否則會報錯。
        super().__init__()
        self.item_fwq = self.read_setttings_zhuce("Software\lxl\lxl_program")
        # 鏈接數(shù)據(jù)庫
        self.conn = pymysql.connect(
            user=self.item_fwq["user"], password=self.item_fwq["password"], host=self.item_fwq["host"], port=int(self.item_fwq["port"]),
            database=self.item_fwq["database"], use_unicode=True,
            charset="utf8")
        self.start_p = start_p
        print("數(shù)據(jù)庫開啟中......")
        # 獲取游標
        self.cursor = self.conn.cursor()

2. 頁面請求過程

??此處說明一下，整個模塊是通過dict來傳遞數(shù)據(jù)的，因此在使用過程中，可以隨時隨地添加我們需要傳遞的參數(shù)。我們平常用到的頁面一般是get或post請求方式，get方式通過修改傳遞的url鏈接即可請求獲取數(shù)據(jù)，post方式通過data參數(shù)傳遞獲取數(shù)據(jù)。因此將兩種方式分開處理。同時將請求回來的數(shù)據(jù)做deocde解碼處理，一般遇到的有utf8或者GBK的，我寫了兩種，如果你們使用過程中出現(xiàn)其他的解碼，添加上去即可，此處代碼比較low我就不貼在此處了，各位結(jié)尾處直接復制即可，（我貼幾行重點吧，否則好像顯得此處特殊）。

        item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
        # 讀取實時寫入windows注冊表中的ip代理  本人喜歡使用無憂代理 不是打廣告，而是品質(zhì)確實好
        proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
        headers = {
             "user-agent": item_fwq_ip['user_agent']
        }
        try:
            response = requests.get(url=url, headers=headers, timeout=20).content
            if response:
                return response
        except Exception as f:
            print("重新請求")
        try:
            response = requests.post(url=url, headers=headers, data=data,timeout=20).content
            if response:
                return response
        except Exception as f:
            print("重新請求")

3. 數(shù)據(jù)提取處理

??頁面請求成功之后，會返回三種格式，一種是html格式，一種是json格式，還有一種是我請求不到數(shù)據(jù)返回的無數(shù)據(jù)結(jié)果（未針對此處如何處理，若有需要，自行處理）。針對html格式我們使用xpath解析數(shù)據(jù)（本來想著能不能通過代碼去自動處理xpath，太忙沒時間，以后補上吧）；針對json格式，就簡單許多了，直接對應讀取出來即可。兩種格式處理之后，將數(shù)據(jù)以dict格式傳遞至數(shù)據(jù)保存處理中即可 見代碼：

    def response_json(self, response, meta={}):
        """
            json 格式解析
        """
        list_data = response['result']['data']
        for ds in list_data:
            item = dict()
            """
                此處可以對數(shù)據(jù)進行處理，若不需特殊處理的 則直接合并到item字典中，保存入數(shù)據(jù)庫
                列: item["pid] = ds['id']
            """
            item = {**item, **meta}
            where_list = ["pid"]  # 此處添加mysql保存判斷條件中查詢的字段 可寫多個字段
            table_name = 'your_databases_tablename'  # 此處添加你需要保存的數(shù)據(jù)表名稱 注: 若沒有新建數(shù)據(jù)表， 代碼可自動建立新的數(shù)據(jù)表
            self.mysql_f_item(item, table_name=table_name, where_list=where_list)
    
    def response_html(self, response, meta={}):
        """
            html 格式解析
        """
        list_response = response.xpath('//div[@class="name"]')
        for resp in list_response:
            item = dict()
            """
                此處可以對數(shù)據(jù)進行xpath解析處理，保存入數(shù)據(jù)庫
                列: item["pid] = resp.xpath('./a/@href')[0]
            """
            print(item)
            item = {**item, **meta}
            where_list = ["pid"]  # 此處添加mysql保存判斷條件中查詢的字段 可寫多個字段
            table_name = "your_databases_tablename" # 此處添加你需要保存的數(shù)據(jù)表名稱 注: 若沒有新建數(shù)據(jù)表， 代碼可自動建立新的數(shù)據(jù)表
            self.mysql_f_item(item, table_name, where_list=where_list)

4. 數(shù)據(jù)保存處理。

??數(shù)據(jù)庫選用mysql保存，在此模塊中，我加入了自動創(chuàng)建表和自動拼接sql的功能，傳入一個數(shù)據(jù)表名稱，若存在則進行下一步處理，不存在會進行數(shù)據(jù)表創(chuàng)建，此時dict中的字段名稱就起到了一定的作用，我通過字段中所帶的值，作為創(chuàng)建字段的類型（此處也可自行添加）；同時數(shù)據(jù)保存過程中，有時會需要做判重，通過在指定列表 where_list 中添加字段即可（默認為空，不判重。其他的沒什么了都是一些常規(guī)操作了。見代碼：

        sql = "insert into %s(" % table_name
        for item in lst:
            sql = sql + "`%s`," % item
        sql = sql.strip(',') + ") values ("
        if list_flag is False:
            for item in lst:
                sql = sql + "'{%s}'," % item
        else:
            for i in range(len(lst)):
                sql = sql + "'{0[%s]}'," % i
        sql = sql.strip(',') + ")"
        return sql

                sql_begin = """CREATE TABLE `%s` (  `id` int(11) NOT NULL AUTO_INCREMENT,""" % table_name
        sql_end = """ PRIMARY KEY (`id`)
                    ) ENGINE=%s AUTO_INCREMENT=0 DEFAULT CHARSET=%s;""" % (engine, charset)
        sql_temp = " `%s` varchar(256) DEFAULT NULL,"
        sql_temp_time = "`%s` datetime DEFAULT NULL,"
        sql_temp_content = "`%s` text,"
        sql_temp_sgin = "`%s` enum('0','1') DEFAULT '0',"
        sql = str()
        for item in lst:
            # 生成新的數(shù)據(jù)表時 可根據(jù)item中的字段名稱 來決定數(shù)據(jù)庫中字段的類型
            if "time" in item:
                sql += sql_temp_time % item
            elif "content" in item:
                sql += sql_temp_content % item
            elif "sgin" in item:
                sql += sql_temp_sgin % item
            else:
                sql += sql_temp % (item)

        sql = sql_begin + sql + sql_end
        return sql

??好了，這次就寫到這里吧，如果之后對這個模塊做大的更新或調(diào)整再說吧。 如果對以上代碼有不懂之處，可以發(fā)送至郵件 xiang_long_liu@163.com，大家共同探討吧。
結(jié)尾處付全部代碼：

import requests, winreg, pymysql, re, json
from lxml import etree
from threading import Thread
import settings  # 將服務器數(shù)據(jù)庫等鏈接方式寫入windows注冊表中，然后再在該程序中讀取出來


def read_setttings_zhuce(file, winn_c_u=winreg.HKEY_CURRENT_USER):
    """
        讀取注冊表中的設置
    """
    parentkey = winreg.OpenKey(winn_c_u, file)
    # 獲取該鍵的所有鍵值，因為沒有方法可以獲取鍵值的個數(shù)，所以只能用這種方法進行遍歷
    item = dict()
    try:
        i = 0
        while True:
            # EnumValue方法用來枚舉鍵值，EnumKey用來枚舉子鍵
            name, value, type = winreg.EnumValue(parentkey, i)
            # print(name, value)
            item[name] = value
            i += 1
    except Exception as e:
        pass
    return item


class ALi_Main(Thread):

    def read_setttings_zhuce(self, file, winn_c_u=winreg.HKEY_CURRENT_USER):
        """
            讀取注冊表中的設置
        """
        parentkey = winreg.OpenKey(winn_c_u, file)
        # 獲取該鍵的所有鍵值，因為沒有方法可以獲取鍵值的個數(shù)，所以只能用這種方法進行遍歷
        item = dict()
        try:
            i = 0
            while True:
                # EnumValue方法用來枚舉鍵值，EnumKey用來枚舉子鍵
                name, value, type = winreg.EnumValue(parentkey, i)
                item[name] = value
                i += 1
        except Exception as e:
            pass
        return item

    def __init__(self, start_p):
        # 注意，super().__init__() 一定要寫
        # 而且要寫在最前面，否則會報錯。
        super().__init__()
        self.item_fwq = self.read_setttings_zhuce("Software\lxl\lxl_program")
        # 鏈接數(shù)據(jù)庫
        self.conn = pymysql.connect(
            user=self.item_fwq["user"], password=self.item_fwq["password"], host=self.item_fwq["host"], port=int(self.item_fwq["port"]),
            database=self.item_fwq["database"], use_unicode=True,
            charset="utf8")
        self.start_p = start_p
        print("數(shù)據(jù)庫開啟中......")
        # 獲取游標
        self.cursor = self.conn.cursor()

    def main(self, url="https://www.baidu.com/", formdata={}, meta={}):
        """
            開關
        """
        response = self.url_f_requests(url, formdata)
        if response != "無結(jié)果":
            # 對返回的結(jié)果解碼
            response = self.response_decode(response)
            print(response)
            response, fangshi = self.t_f_response_json_html(response)
            if fangshi is "json":
                self.response_json(response, meta)
            elif fangshi is "html":
                self.response_html(response, meta)
            else:
                print(fangshi)
                print("返回的頁面數(shù)據(jù)有誤請檢查")
        else:
            print("數(shù)據(jù)無結(jié)果，未獲取到")
            
    def url_f_requests(self, url, formdata):
        """
            get / post 請求發(fā)送
        """
        if formdata == {}:
            response = self.requests_url(url)
            print("{INFO}:url以 get 方式請求")
            # print(response)
        else:
            response = self.requests_url_post(url, formdata)
            print("{INFO}:url以 post 方式請求")
            # print(response)
        return response
            
    def t_f_response_json_html(self, response):
        """
            判斷返回的結(jié)果
        """
        try:
            response = json.loads(response)
            print("{INFO}:數(shù)據(jù)以json格式返回")
            return response, "json"
        except Exception as f:
            try:
                response = etree.HTML(response)
                print("{INFO}:數(shù)據(jù)以html格式返回")
                return response, "html"
            except Exception as f:
                response = response
                return response, "None"
        
    def response_decode(self, response):
        """
            對返回的結(jié)果解碼
        """
        try:
            response = response.decode()
            print("{INFO}:數(shù)據(jù)以utf-8解碼")
        except Exception as f:
            try:
                response = response.decode("GBK")
                print("{INFO}:數(shù)據(jù)以 GBK 解碼")
            except Exception as f:
                print("{INFO}:數(shù)據(jù)以未指定解碼方式返回")
                response = response
        return response
        
    def response_json(self, response, meta={}):
        """
            json 格式解析
        """
        list_data = response['result']['data']
        for ds in list_data:
            item = dict()
            """
                此處可以對數(shù)據(jù)進行處理，若不需特殊處理的 則直接合并到item字典中，保存入數(shù)據(jù)庫
                列: item["pid] = ds['id']
            """
            item = {**item, **meta}
            where_list = ["pid"]  # 此處添加mysql保存判斷條件中查詢的字段 可寫多個字段
            table_name = 'your_databases_tablename'  # 此處添加你需要保存的數(shù)據(jù)表名稱 注: 若沒有新建數(shù)據(jù)表， 代碼可自動建立新的數(shù)據(jù)表
            self.mysql_f_item(item, table_name=table_name, where_list=where_list)
    
    def response_html(self, response, meta={}):
        """
            html 格式解析
        """
        list_response = response.xpath('//div[@class="name"]')
        for resp in list_response:
            item = dict()
            """
                此處可以對數(shù)據(jù)進行xpath解析處理，保存入數(shù)據(jù)庫
                列: item["pid] = resp.xpath('./a/@href')[0]
            """
            print(item)
            item = {**item, **meta}
            where_list = ["pid"]  # 此處添加mysql保存判斷條件中查詢的字段 可寫多個字段
            table_name = "your_databases_tablename" # 此處添加你需要保存的數(shù)據(jù)表名稱 注: 若沒有新建數(shù)據(jù)表， 代碼可自動建立新的數(shù)據(jù)表
            self.mysql_f_item(item, table_name, where_list=where_list)
        
    def mysql_f_item(self, item, table_name="new_table_name", where_list=[]):
        """
            保存創(chuàng)建mysql數(shù)據(jù)庫
        """
        lst = item.keys()
        # print(lst)
        insert_sql = self.create_insert_sql_for_list(table_name=table_name, lst=lst)
        insert_sql = insert_sql.format(**item)
        # print(insert_sql)
        select_sql = self.create_select_sql(table_name=table_name, where_list=where_list)
        select_sql = select_sql.format(**item)
        # print(select_sql)
        self.insert_mysql(insert_sql=insert_sql, select_sql=select_sql, table_name=table_name, lst=lst)
        print("--------------------------------")

    def create_insert_sql_for_list(self, table_name, lst, list_flag=False):
        """
        動態(tài)生成sql文(單條)
        :param table_name:表名
        :param lst:插入的數(shù)據(jù)列表
        :param list_flag: true：代表lst字段是 list嵌套list,   false：代表list嵌套dict
        :return:返回單條插入的sql
        """
        sql = "insert into %s(" % table_name
        for item in lst:
            sql = sql + "`%s`," % item
        sql = sql.strip(',') + ") values ("
        if list_flag is False:
            for item in lst:
                sql = sql + "'{%s}'," % item
        else:
            for i in range(len(lst)):
                sql = sql + "'{0[%s]}'," % i
        sql = sql.strip(',') + ")"
        return sql

    def create_select_sql(self, table_name, where_list):
        """
            動態(tài)生成sql文
        """
        if where_list == []:
            return ""
        else:
            sql = 'select id from %s where' % table_name
            for i in range(len(where_list)):
                sql = sql + " `%s` = '{%s}' and " % (where_list[i], where_list[i])
            sql = sql.strip('and ')
            # print(sql)
            return sql

    def create_table(self, table_name, lst, engine='MyISAM', charset='utf8'):
        """
        生成建表sql
        :param table_name:表名
        :param lst:字段列表
        :param engine:數(shù)據(jù)庫類型
        :param charset:字符集
        :return:sql
        """
        sql_begin = """CREATE TABLE `%s` (  `id` int(11) NOT NULL AUTO_INCREMENT,""" % table_name
        sql_end = """ PRIMARY KEY (`id`)
                    ) ENGINE=%s AUTO_INCREMENT=0 DEFAULT CHARSET=%s;""" % (engine, charset)
        sql_temp = " `%s` varchar(256) DEFAULT NULL,"
        sql_temp_time = "`%s` datetime DEFAULT NULL,"
        sql_temp_content = "`%s` text,"
        sql_temp_sgin = "`%s` enum('0','1') DEFAULT '0',"
        sql = str()
        for item in lst:
            # 生成新的數(shù)據(jù)表時 可根據(jù)item中的字段名稱 來決定數(shù)據(jù)庫中字段的類型
            if "time" in item:
                sql += sql_temp_time % item
            elif "content" in item:
                sql += sql_temp_content % item
            elif "sgin" in item:
                sql += sql_temp_sgin % item
            else:
                sql += sql_temp % (item)

        sql = sql_begin + sql + sql_end
        return sql

    def insert_mysql(self, insert_sql, select_sql='', update_sql='', table_name='', lst=()):
        """
            保存數(shù)據(jù)
        """
        while True:
            # 獲取游標
            self.conn.ping(reconnect=True)
            if select_sql:
                try:
                    self.cursor.execute(select_sql)
                    if self.cursor.fetchone() is None:
                        print(insert_sql)
                        try:
                            self.cursor.execute(insert_sql)
                            self.conn.commit()
                            print("數(shù)據(jù)保存中......")
                            if update_sql:
                                self.cursor.execute(update_sql)
                                self.conn.commit()
                                print("數(shù)據(jù)更新中......")
                            break
                        except Exception as f:
                            # print(insert_sql)
                            print(f)
                            print("數(shù)據(jù)保存失敗")
                            break
                    else:
                        print("數(shù)據(jù)已存在")
                    break
                except Exception as f:
                    print(f)
                    # 首次執(zhí)行 創(chuàng)建一個新的數(shù)據(jù)表
                    if "Table" in str(f) and "doesn't exist" in str(f):
                        print("*" * 100)
                        print("創(chuàng)建數(shù)據(jù)庫中......")
                        sql = self.create_table(table_name=table_name, lst=lst)
                        self.cursor.execute(sql)
                        self.conn.commit()
                    else:
                        break
            else:
                try:
                    print(insert_sql)
                    print("數(shù)據(jù)保存中......")
                    self.cursor.execute(insert_sql)
                    self.conn.commit()
                    break
                except Exception as f:
                    print(f)
                    # 首次執(zhí)行 創(chuàng)建一個新的數(shù)據(jù)表
                    if "Table" in str(f) and "doesn't exist" in str(f):
                        print("*" * 100)
                        print("創(chuàng)建數(shù)據(jù)庫中......")
                        sql = self.create_table(table_name=table_name, lst=lst)
                        self.cursor.execute(sql)
                        self.conn.commit()
                    else:
                        print("保存失敗")
                        break

    def getDropStr(self, l_strHtml):
        """清洗字符串"""
        strList = re.findall(
            r'[\u4e00-\u9fa5a-zA-Z0-9,.;?!_\]\'\"\[{}+-\u2014\u2026\uff1b\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]',
            l_strHtml)
        return "".join(strList)

    def requests_url(self, url, data=None):
        """
            發(fā)送請求，返回相應
        """
        item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
        # 讀取實時寫入windows注冊表中的ip代理  本人喜歡使用無憂代理 不是打廣告，而是品質(zhì)確實好
        proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
        headers = {
             "user-agent": item_fwq_ip['user_agent']
        }
        try:
            response = requests.get(url=url, headers=headers, timeout=20).content
            if response:
                return response
        except Exception as f:
            print("重新請求")
            i = 0
            while True:
                i += 1
                if i >= 5:
                    return "無結(jié)果"
                try:
                    response = requests.get(url=url, headers=headers, proxies=proxies, timeout=20).content
                    if response:
                        return response
                except Exception as f:
                    print("重新請求")
        
    def requests_url_post(self, url, data):
        """
            發(fā)送請求，返回相應
        """
        item_fwq_ip = read_setttings_zhuce("Software\lxl\lxl_program")
        # 讀取實時寫入windows注冊表中的ip代理  本人喜歡使用無憂代理 不是打廣告，而是品質(zhì)確實好
        proxies = {"http": "%s" % item_fwq_ip["ip"], "https": "%s" % item_fwq_ip["ip"]}
        headers = {
            "user-agent": item_fwq_ip['user_agent']
        }
        try:
            response = requests.post(url=url, headers=headers, data=data,timeout=20).content
            if response:
                return response
        except Exception as f:
            print("重新請求")
            i = 0
            while True:
                i += 1
                if i >= 5:
                    return "無結(jié)果"
                try:

                    response = requests.post(url=url, headers=headers, data=data, proxies=proxies, timeout=20).content
                    if response:
                        return response
                except Exception as f:
                    print("重新請求")
    
    def __del__(self):
        self.cursor.close()
        self.conn.close()
        print("數(shù)據(jù)庫關閉中......")


def main_thread(number_p):
    """
        多線程啟動
        若使用多線程爬取是 將 main 函數(shù)改為 run 函數(shù) 傳遞參數(shù)控制url使用個數(shù)從而決定多線程條數(shù)
    """
    print("多線程啟動程序")
    list_thread = list()
    for p in range(0, number_p+1000, 1000):
        thread = ALi_Main(p)
        list_thread.append(thread)
    
    for threads in list_thread:
        threads.start()
    
    for threads in list_thread:
        threads.join()


if __name__ == '__main__':
    # 初始化
    # settings.main()
    
    alm = ALi_Main(0)

    meta = dict()
    meta["key_name"] = "傳值"
    url = "https://search.sina.com.cn/?range=title&q=" + str(meta["key_name"]) + "&c=news&time=&ie=utf-8&col=&source=&from=&country=&size=&a=&page=1&pf=0&ps=0&dpc=1"
    print(url)
    alm.main(url=url, meta=meta)