本文介绍如何使用Scrapy爬取西刺代理网站的数据，并将结果保存为Excel文件。主要内容包括解析网站结构、编写爬虫代码、处理数据并保存等。
scrapy抓取西刺代理并用Excel保存
-
（一）
解析网站结构
- ①，首先浏览器访问西刺代理首页： 西刺免费代理IP
-
②，对查看网页源代码，对网页结构有初步的了解
-
③，因为我们使用的是 scrapy 来抓取内容。所以，我们可以先使用 scrapy shell 来模拟下scrapy的访问。cmd 中输入
>>> scrapy shell "http://www.xicidaili.com/"
我们发现运行之后返回的states状态码是 503，出现了服务器内部问题。其实不然，是因为服务器将我们识别后拒绝了。解决方法：添加 USER_AGENT 信息。
>>> scrapy shell -s USER_AGENT="浏览器的User-Agent信息" "http://www.xicidaili.com/" -
⑤，完成 ③ 步骤之后，便可以对该网站进行相关的调试了
（二）
代码编写
-
首先根据网站结构确定我们的需求：
“IP地址”, “端口”, “服务器地址”, “匿名”, “类型”, “速度”, “连接时间”, “存活时间”, “验证时间”
然后正真进入代码编写： -
①，编写 items ：
class IpItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
ip_address = scrapy.Field()
port = scrapy.Field()
server_address = scrapy.Field()
hiding = scrapy.Field()
kind = scrapy.Field()
speed = scrapy.Field()
connect_time = scrapy.Field()
alive_time = scrapy.Field()-
②，编写爬虫spider
-
这里对spider中间一些信息的处理可能比较难理解，如果没有了解到
openpyxl 表格操作的话，不过我这里做了大量的注释，相信还可以让大家了解到一些关于
openpyxl 的一些简单操作。
需要注意的是，因为每次返回的是网页的一行 tr内容，所以在处理时 记得进行内容的拷贝。不然每次都会别后面一次内容覆盖掉。
# -*- coding: utf-8 -*-
import scrapy
from IP.items import IpItem
class ProxySpider(scrapy.Spider):
name = 'Proxy'
allowed_domains = ['xici.com']
start_urls = ['http://xici.com/']
def start_requests(self):
for page in range(1,11):
yield scrapy.Request("http://www.xicidaili.com/nn/%d"%page)
# 每次生成一个Request， 返回一页的内容
# 函数返回：一页的内容。但是每次pipeline处理其中的一行
def parse(self, response):
item = IpItem()
items = {}
table_ip_list = response.xpath('//table[@id="ip_list"]')[0] # 获取第一个table的 selector 选择器
trs = table_ip_list.xpath('//tr') #获取每一行 选择器对象可以使用 xpath 操作 再得到选择器对象
# 第一行信息标题信息不用采集
for tr in trs[2:]:
row = trs.index(tr) # 增加索引，方便表格操作
item["ip_address"] = tr.xpath('td[2]/text()').extract()[0]
item['port'] = int(tr.xpath('td[3]/text()').extract()[0]) # port 设为数字
if len(tr.xpath('td[4]/a/text()').extract()) is 0:
item['server_address'] = '未知' # 如果该栏为空，则填未知
else:
item['server_address'] = tr.xpath('td[4]/a/text()').extract()[0]
item['hiding'] = tr.xpath('td[5]/text()').extract()[0]
item['kind'] = tr.xpath('td[6]/text()').extract()[0]
item['speed'] = tr.xpath('td[7]/div/@title').extract()[0]
item['connect_time'] = tr.xpath('td[8]/div/@title').extract()[0]
item['alive_time'] = tr.xpath('td[9]/text()').extract()[0]
item['check_time'] = tr.xpath('td[10]/text()').extract()[0]
item_copy = item.copy() # 这里一定要对item进行拷贝，光是赋值的话会被覆盖
items[row] = item_copy # 通过建立字典方便在pipeline中来确定行数
# 如：{row:{"key":"value"}}形式 row为在表格中需要保存的行数
# 每次以一行数据为单位被处理
return items-
②，编写pipeline处理item并保存到.xlsx文件
-
在编写这个pipeline时，我反复的调试，发现一些传进来的信息格式是这样的。比如我们在spider每次处理
item 的格式为：
{row:{“key”:”value”}} 形式，然后把他一次更新到自己定义的
items 中，最后执行
return语句。安装常理来说，传递给
pipeline也应该是包含跟多个
item 字典类型的字典，那么我们在
pipeline处理的时候也应该通过迭代获取每一个单独的
item。
然而，事实并非如此。而是每次传进 pipeline的都是单独的一个 item 所以我们在 pipeline中处理item参数是不能使用迭代。而是直接对 item 参数进行相关操作。
我想着应该是 scrapy 本身机制问题。你每往 Item这个类进行一次数据传递的时候，都会被记忆，然后再传递给pipeline是会自动帮你迭代处理好数据。
这只是我的个人理解。毕竟官方文档中，只是说 spider会把返回的item传递给 pipeline 把 Request 传递给调度器。
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from openpyxl import Workbook, load_workbook
from openpyxl.styles import colors, Alignment, Font
import os.path
# 每获得一页内容，建立一张新的sheet表格
# 第一次创建时，选择第一个 sheet
class IpPipeline(object):
def process_item(self, item, spider):
# 实例化一个workbook对象
if os.path.exists("Proxy.xlsx"):
wb = load_workbook("Proxy.xlsx")
ws1 = wb.create_sheet() # 建立一张表
else:
wb = Workbook()
ws1 = wb.active
# 每次保存一行数据
for row in item:
# 保存第一列的 IP
ws1.cell(row=row, column=1, value=item[row]["ip_address"])
# 保存第二列的端口 port
ws1.cell(row=row, column=2, value = item[row]["port"])
# 保存第三列的服务器地址 server_address
ws1.cell(row=row, column=3, value = item[row]["server_address"])
# 保存第四列的匿名情况 hiding
ws1.cell(row=row, column=4, value = item[row]["hiding"])
# 保存第五列的协议类型 kind
ws1.cell(row=row, column=5, value = item[row]["kind"])
# 保存第六列的网络速度 speed
ws1.cell(row=row, column=6, value = item[row]["speed"])
# 保存第七列的连接速度 connect_time
ws1.cell(row=row, column=7, value = item[row]["connect_time"])
# 保存第八列的存活时间 alive_time
ws1.cell(row=row, column=8, value = item[row]["alive_time"])
# 保存第九列的验证时间 check_time
ws1.cell(row=row, column=9, value = item[row]["check_time"])
# 对工作簿样式进行处理
self.process_excel(work_book=wb, work_sheet=ws1)
# 保存工作簿
wb.save('Proxy.xlsx')
return item
# 更改表格样式
# 传入参数 工作簿对象wb， 表格对象ws1
def process_excel(self, work_book, work_sheet):
# 添加第一行
first_row = ("IP地址", "端口", "服务器地址", "匿名", "类型", "速度", "连接时间", "存活时间", "验证时间")
for col in range(1, len(first_row)+1):
work_sheet.cell(row=1, column=col, value=first_row[col - 1])
work_sheet.title = "代理页"
row_length = work_sheet.max_row # 获得包含数据的总行数int sheet.rows 返回所有行(含数据)可用来迭代
col_length = work_sheet.max_column # 获取总列数
work_sheet.sheet_properties.tabColor = "1072BA" # sheet背景颜色
# 设置列宽
work_sheet.column_dimensions['A'].width = 22
work_sheet.column_dimensions['C'].width = 20
work_sheet.column_dimensions['F'].width = 16
work_sheet.column_dimensions['G'].width = 16
work_sheet.column_dimensions['H'].width = 16
work_sheet.column_dimensions['I'].width = 20
# 设置行高
for row in range(0, row_length):
work_sheet.row_dimensions[row+2].height = 20
# 设置第一行的单元格样式 居中，字体，颜色
# 按列迭代
for col in work_sheet.iter_cols(min_row=1, max_row=1, min_col=1,max_col=col_length):
for cell in col:
cell.alignment = Alignment(horizontal="center", vertical="center",)
cell.font = Font(size=16, color="CD2626", bold=True, italic=False) # 加粗 倾斜
# 设置其他子元素格式
# 按行迭代
for row in work_sheet.iter_rows(min_col=1, min_row=2, max_col=col_length, max_row=row_length):
# row 为一行的tuple对象
for cell in row:
cell.alignment = Alignment(horizontal="center", vertical="center")
cell.font = Font(size=12, color="CD6090", bold=True, italic=False)
work_book.save('Proxy.xlsx')
if __name__=="__main__": # 用来此时本文件，避免每次都要运行整个儿scrapy
a = IpPipeline()
a.process_item(item={},spider=None) # 主要用来测试相关表格操作是否合适-
③，中间件MIDDLEWARES
-
middlerwares 的编写其实也简单。分为两类，downloadermiddleware & spidermiddleware 。而我们常用的主要是是前者。下载器中间件。我们可以通过它来设置代理IP池和User-Agent池来防止爬虫被网站BAN。
每个中间件都需要继承相应的类，这些类都包含以下一个或多个方法：
①：process_request(request, spider) 方法
②：process_response(request, response, spider) 方法
③：process_exception(request, exception, spider) 方法
分别用来处理请求的request，返回的response，以及跳出的异常。 -
具体步骤：
①，在自己工程的根目录新建一个 mymiddlewares.py 文件，我们在这里面编写middleware内容。
②，编写代理IP中间件：
# coding : utf-8
from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware
import random
pool = [
{"ip":"121.31.156.251:8123"},
{"ip":"106.57.6.218:4326"},
{"ip":"61.135.217.7:80"},
]
# 用户代理池的中间件
class IPPOOLS(HttpProxyMiddleware):
def process_request(self, request, spider):
ip = random.choice(pool)
#print("当前使用的IP是：%s" % ('http://'+ip["ip"]))
# 将IP添加到request
request.meta["proxy"] = 'http://'+ip["ip"]
return None: ②，编写User-Agent中间件：
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
from user_agent.base import generate_user_agent
# 用户header池的中间件
class AGENTPOOLS(UserAgentMiddleware):
'''
def __init__(self, user_agent=''):
self.user_agent = user_agent
'''
def process_request(self, request, spider):
user_agent = generate_user_agent()
print("这一次使用的是 %s" % user_agent)
request.headers.setdefault(b'User-Agent', user_agent)他们都继承了自己的类，然后我们通过重写里面的方法就能实现制定功能。
-
（三）
激活设置
-
写了这么多，接下来当然是激活我们改写的东西。进入
settings.py，添加自己相应的
pipeline，middleware，.etc。然后就可以了。
关于这一块我觉得挺简单的。只需要把相应的注释符 # 去掉就可以了。
（四）
运行效果图
-
有朋友可能说为什么不采用直接保存到.csv 文件，这里纯属个人爱好。方便处理一点这个。
扫一扫
5647
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
