如何用 Python + Scrapy 爬取视频？

本文转载自微信公众号「快学Python」，何用作者快快。视频转载本文请联系快学Python公众号。何用

人生苦短，视频快学Python!

今天将带大家简单了解Scrapy爬虫框架，何用并用一个真实案例来演示代码的视频编写和爬取过程。

一、何用scrapy简介

1. 什么是视频Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的何用应用框架，我们只需要实现少量的视频代码，就能够快速的何用抓取

Scrapy使用了Twisted异步网络框架，可以加快我们的视频下载速度

http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

异步和非阻塞的区别

异步：调用在发出之后，这个调用就直接返回，何用不管有无结果

非阻塞：关注的视频是程序在等待调用结果时的状态，指在不能立刻得到结果之前，何用该调用不会阻塞当前线程

2. Scrapy工作流程

另一种爬虫方式

Scrapy工作流程

Scrapy engine(引擎) 总指挥:负责数据和信号的在不同模块间的传递 scrapy已经实现 Scheduler(调度器) 一个队列,存放引擎发过来的request请求 scrapy已经实现 Downloader(下载器) 下载把引擎发过来的亿华云计算requests请求,并返回给引擎 scrapy已经实现 Spider(爬虫) 处理引擎发来的response,提取数据,提取url,并交给引擎 需要手写 Item Pipline(管道) 处理引擎传过来的数据,比如存储 需要手写 Downloader Middlewares(下载中间件) 可以自定义的下载扩展，比如设置代理 一般不用手写 Spider Middlewares(中间件) 可以自定义requests请求和进行response过滤 一般不用手写

3. Scrapy入门

#1 创建一个scrapy项目 scrapy startproject mySpider #2 生成一个爬虫 scrapy genspider demo "demo.cn" #3 提取数据 完善spider 使用xpath等 #4 保存数据 pipeline中保存数据 

在命令中运行爬虫

scrapy crawl qb # qb爬虫的名字 

在pycharm中运行爬虫

from scrapy import cmdline cmdline.execute("scrapy crawl qb".split()) 

4. pipline使用

从pipeline的字典形可以看出来，pipeline可以有多个，而且确实pipeline能够定义多个

为什么需要多个pipeline：

1 可能会有多个spider，不同的pipeline处理不同的item的内容

2 一个spider的内容可以要做不同的操作，比如存入不同的数据库中

注意：

1 pipeline的权重越小优先级越高

2 pipeline中process_item方法名不能修改为其他的名称

5. 文件目录结构

文件配置：

setting：

SPIDER_MODULES = [st.spiders] NEWSPIDER_MODULE = st.spiders LOG_LEVEL = WARNING # 这样设置可以在运行的时候不打印日志文件 ... # Obey robots.txt rules ROBOTSTXT_OBEY = False # 调整为false, ... # Override the default request headers: # 头部信息,反爬 DEFAULT_REQUEST_HEADERS = {      user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36,   Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8,   Accept-Language: en, } ... ITEM_PIPELINES = {  # 打开管道    st.pipelines.StPipeline: 300, } 

为了运行文件方便：新建start.py(和settings在同一目录下)，

from scrapy import cmdline cmdline.execute(scrapy crawl stsp.split()) # 这里爬虫项目名为stsp 

目前是这样，后面提取数据的时候修改对应文件 .

二、页面分析

第一页url：https://699pic.com/video-sousuo-0-18-0-0-0-1-4-popular-0-0-0-0-0-0.html

url规律：

url = https://699pic.com/video-sousuo-0-18-0-0-0-{ }-4-popular-0-0-0-0-0-0.html.format(i) 

通过分析页面知道视频数据在li里面，如图所示.现在问题就简单了。

三、解析数据

def parse(self, response):     # global count     # count += 1     # print(response)     liList = response.xpath(//li) # 获取所有的li,后面提取有用的云南idc服务商     print(len(liList)) # 76(然后分析可知,第11个到第70个是我们需要的数据)     newfolderName = page{ }.format(count) # 文件夹的名字page1,page2,....     # 步骤二 创建一个新的文件夹 保存每页的视频     if not os.path.exists(newfolderName):         os.mkdir(newfolderName)     for li in liList[10:-6]:         video_link = li.xpath("./a/div/video/@data-original").extract_first()         videoLink = https: + video_link # url拼接         title = li.xpath("./a[2]/h3/text()").extract_first()         # 下载数据:         res = requests.get(videoLink,headers=headers)         data = res.content         try:             with open(newfolderName + / + title + .mp4,wb) as f:                  f.write(data)                  print(%s下载成功%title)         except:            break 

四、文件配置

items:

import scrapy class StItem(scrapy.Item):     # define the fields for your item here like:     # 和两个对应前面的数据     videoLink = scrapy.Field()     title = scrapy.Field()     # pass 

设置好items文件后需要在爬虫文件(stsp.py)头部添加如下代码：

from st.items import StItem # 这个要设置根目录文件即st 

然后调整stsp文件：

item = StItem(videoLink=videoLink,title=title)yield item # 这里必须使用yield,如果使用return最后在管道中只能得到一个文件 

piplines：

# 前面的注释代码 from itemadapter import ItemAdapter import csv class StPipeline:     def __init__(self):         # 打开文件，指定方式为写，利用第3个参数把csv写数据时产生的空行消除         self.f = open(Sp.csv,w,encoding=utf-8,newline=)         # 设置文件第一行的字段名，注意要跟spider传过来的字典key名称相同         self.file_name = [title, videoLink]         # 指定文件的写入方式为csv字典写入，参数1为指定具体文件，参数2为指定字段名         self.writer = csv.DictWriter(self.f, fieldnames=self.file_name)         # 写入第一行字段名，因为只要写入一次，所以文件放在__init__里面         self.writer.writeheader()     def process_item(self, item, spider):         # 写入spider传过来的具体数值         self.writer.writerow(dict(item)) # 这里的item是上面创建出来的实例对象,需要转换成dict         # 写入完返回         return item     def close_spider(self,spider):         self.f.close() 

五、批量爬取

next_url = https://699pic.com/video-sousuo-0-18-0-0-0-{ }-4-popular-0-0-0-0-0-0.html.format(count) # 这里的count是初始化的全局变量count,每次执行数据解析,就让他+1 request = scrapy.Request(next_url) yield request 

最后运行程序：

csv文件：

page2.mp4文件：

很赞哦!（7）