Scrapy框架使用

继图片爬虫之后学习使用Scrapy框架来爬取豆瓣9.0分以上的书单和Top250电影

第一步创建工程

在命令窗口输入如下命令：

C:\Users\Administrator>scrapy startproject doubanbook

再根据提示cd 进入doubanbook目录，设置爬虫名称为bookspider和爬取的网站
在doubanbook初级目录下新建一个main.py文件用于执行爬虫

from scrapy import cmdline
cmdline.execute('spider crawl bookspider'.split())

第二步编写爬虫

1. 进入spiders目录，找到bookspider爬虫，编写xpath爬取，scrapy的xpath需要用Selector来解析response

import scrapy

class BookspiderSpider(scrapy.Spider):
    name = 'bookspider'
    #注释掉allowed_domains，防止递归爬取下一页式冲突
    #allowed_domains = ['www.douban.com/doulist/1264675/']
    start_urls = ['http://www.douban.com/doulist/1264675/']
    
    def parse(self,response):
        selector=scrapy.Selector(response)
        #抓取书单主体
        books= selector.xpath('//div[@class="bd doulist-subject"]')
        for each in books:
            #此时的xpath开始没有节点
            title=body.xpath('div[@class="title"]/a/text()').extract()[0]
            rating=body.xpath('div[@class="rating"]/span[@class="rating_nums"]/text()').extract()#注意有的书单没有评分
            author=body.xpath('div[@class="abstract"]/text()').extract()[0]
            title=title.replace(' ','').replace('\n','')
            author=author.replace(' ','').replace('\n','')

2. 由于豆瓣网又反爬策略，需要进行模拟浏览器登陆，进入setting.py文件配置USER_AGENT：

USER_AGENT= 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:45.0) Gecko/20100101 Firefox/45.0'

第三步保存到本地

进入item.py文件进行配置，由于需要作者，标题，得分，所以设置三个Field来存储，设置方式很简单：

# name = scrapy.Field()
title=scrapy.Field()
rating=scrapy.Field()
author=scrapy.Field()

在到setting.py中，设置保存格式和保存路径
FEED_FORMAT为保存格式
FEED_URI为保存路径，可保存于本地也可保存于fttp

FEED_URI='file:\\C:\\Users\\Administrator\\Desktop\\book.csv'
FEED_FORMAT='CSV'

由于用到了item模块，需要在bookspider中做些改动，在开头导入item中的类

from doubanbook.items import DoubanbookItem

同时创建item类，将数据保存到item中：

item=DoubanbookItem()#创建item类
item['title']=title
item['rating']=rating
item['author']=author
yield item

最后一步递归爬取下一页

上面的代码只爬取了一页的内容，爬取整个书单需要将所有页数的内容爬取，思路是找到下一页的url，然后用scrapy的http.Request来递归爬取

nextPage=selector.xpath('//span[@class="next"]/link/@href').extract()
if nextPage:
    next_URL=nextPage[0]
    yield scrapy.http.Request(next_URL,callback=self.parse)

大功告成！！

bookspider的完整代码如下，items.py和setting.py中的设置按上述方法设置就行了

import scrapy
from doubanbook.items import DoubanbookItem

class BookspiderSpider(scrapy.Spider):
    name = 'bookspider'
    #注释掉allowed_domains，防止递归爬取下一页式冲突
    #allowed_domains = ['www.douban.com/doulist/1264675/']
    start_urls = ['http://www.douban.com/doulist/1264675/']

    def parse(self, response):

        item=DoubanbookItem()#创建item类
        #用Scrapy的Selector来解析response
        selector=scrapy.Selector(response)
        #xpath提取书单主体
        books=selector.xpath('//div[@class="bd doulist-subject"]')
        for body in books:
            #此时的xpath开始没有节点
            title=body.xpath('div[@class="title"]/a/text()').extract()[0]
            rating=body.xpath('div[@class="rating"]/span[@class="rating_nums"]/text()').extract()#注意有的书单没有评分
            author=body.xpath('div[@class="abstract"]/text()').extract()[0]
            title=title.replace(' ','').replace('\n','')
            author=author.replace(' ','').replace('\n','')
            item['title']=title
            item['rating']=rating
            item['author']=author
            yield item
        #下一页的url
        nextPage=selector.xpath('//span[@class="next"]/link/@href').extract()
        #加if判断到最后一页时不执行
        if nextPage:
            next_URL=nextpage[0]
            #递归爬取
            yield scrapy.http.Request(next_URL,callback=self.parse)

效果如下：

书单.png

----------------------------------------------------分割线----------------------------------------------------------
今天花了点时间把豆瓣电影top250的高分电影也爬出来了，但是对于电影评价的部分用xpath爬不出来，不知道什么原因，所以就用re正则，附上图：

TIM图片20170827134624.png