Scrapy 爬蟲完整案例-進階篇

 Scrapy 爬蟲完整案例-進階篇

1.1  進階篇案例一

案例：爬取豆瓣電影 top250( movie.douban.com/top250 )的電影數據，並保存在 MongoDB 中。

 

案例步驟：

第一步：明確爬蟲須要爬取的內容。

咱們作爬蟲的時候，須要明確須要爬取的內容，豆瓣電影 TOP 250，咱們須要抓取每一部電影的名字，電影的描述信息（包括導演、主演、電影類型等等），電影的評分，以及電影中最經典或者膾炙人口的一句話。

例如：肖申克的救贖

 

電影的名字：肖申克的救贖。

電影信息（導演：弗蘭克·德拉邦特；主演：蒂姆·羅賓斯 / 摩根·弗里曼 / 鮑勃·岡頓 / 威廉姆·賽德勒 / 克蘭西·布朗 / 更多...；電影類型：劇情 / 犯罪。）

豆瓣電影評分：9.6。

膾炙人口的一句話：但願讓人自由。

第二步：建立爬蟲項目。

在 dos下切換到目錄

D:\scrapy_project

 

新建一個新的爬蟲項目：scrapy startproject douban

 

第三步:建立爬蟲。

在 dos下切換到目錄。

D:\scrapy_project\douban\douban\spiders

用命令 scrapy genspider doubanmovie "movie.douban.com" 建立爬蟲。

 

第四步: 開始前的準備工做。

(一)、在 scrapy.cfg 同級目錄下建立 pycharm 調試腳本 run.py，內容以下：

# -*- coding: utf-8 -*-

from scrapy import cmdline

cmdline.execute("scrapy crawl doubanmovie".split())

 

(二)、修改 settings 中的 ROBOTSTXT_OBEY = True 參數爲 False,由於默認爲 True，就是要遵照 robots.txt 的規則， robots.txt 是遵循 Robot協議 的一個文件，它保存在網站的服務器中，它的做用是，告訴搜索引擎爬蟲，本網站哪些目錄下的網頁不但願你進行爬取收錄。在 Scrapy 啓動後，會在第一時間訪問網站的 robots.txt 文件，而後決定該網站的爬取範圍。查看 robots.txt 能夠直接網址後接 robots.txt 便可。

例如百度：https://www.baidu.com/robots.txt

修改 settings 文件。

 

(三)、settings.py 裏添加 USER_AGENT。

 

(四)不須要模擬登錄，settings.py 裏的 COOKIES_ENABLED ( Cookies中間件) 設置禁用狀態。

COOKIES_ENABLED = False

 

第五步: 定義 Item，編寫 items.py 文件。

import scrapy

class DoubanItem(scrapy.Item):

    # 電影標題

    title = scrapy.Field()

    # 電影信息

    bd = scrapy.Field()

    # 豆瓣評分

    star = scrapy.Field()

    # 膾炙人口的一句話

quote = scrapy.Field()

第六步: 查看HTML源碼，使用XPath helper爬蟲插件一塊兒查看須要爬取的字段的 xpath 路徑。

# 電影標題

item['title'] = each.xpath(".//span[@class='title'][1]/text()").extract()[0]

 

# 電影信息

item['bd'] = each.xpath(".//div[@class='bd']/p/text()").extract()[0]

 

# 豆瓣評分

item['star'] = each.xpath(".//div[@class='star']/span[@class='rating_num']/text()").extract()[0]

 

# 膾炙人口的一句話

quote = each.xpath(".//p[@class='quote']/span/text()").extract()

 

備註：extract()返回的是一個列表，列表裏的每一個元素是一個對象，extract()把這些對象轉換成 Unicode 字符串。

第七步: 分析網站分頁的 URL 規律。

 

第一頁的連接地址：

https://movie.douban.com/top250?start=0

第二頁的連接地址：

https://movie.douban.com/top250?start=25

最十頁的連接地址:

https://movie.douban.com/top250?start=225

經過分析咱們得知，每一頁的的連接地址 start 的值遞增 25，就是下一頁的地址。

第八步: 編寫爬蟲文件。

import scrapy,sys,os

path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

sys.path.append(path)

from douban.items import DoubanItem

 

class DoubamovieSpider(scrapy.Spider):

    name = "doubanmovie"

    allowed_domains = ["movie.douban.com"]

    offset = 0

    url = "https://movie.douban.com/top250?start="

    start_urls = (

            url + str(offset),

    )

 

    def parse(self, response):

        item = DoubanItem()

        movies = response.xpath("//div[@class='info']")

 

        for each in movies:

            # 電影標題

            item['title'] = each.xpath(".//span[@class='title'][1]/text()").extract()[0]

            # 電影信息

            item['bd'] = each.xpath(".//div[@class='bd']/p/text()").extract()[0]

            # 豆瓣評分

            item['star'] = each.xpath(".//div[@class='star']/span[@class='rating_num']/text()").extract()[0]

            # 膾炙人口的一句話

            quote = each.xpath(".//p[@class='quote']/span/text()").extract()

            if len(quote) != 0:

                item['quote'] = quote[0]

            yield item

 

        if self.offset < 225:

            self.offset += 25

            yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

第九步:在settings.py文件裏設置管道文件。

ITEM_PIPELINES = {

   'douban.pipelines.DoubanPipeline': 300,

}

 

第十步:建立 MongoDB 數據庫"Douban"和存放爬蟲數據的表"doubanmovies"。

在MongoDB中建立一個叫"Douban"的庫。

MongoDB 建立數據庫的語法格式以下：

use DATABASE_NAME

若是數據庫不存在，則建立數據庫，不然切換到指定數據庫。

 

備註：剛建立的數據庫 Douban並不在數據庫的列表中， 要顯示它，咱們須要向 Douban 數據庫插入一些數據或者建立表。

建立表：db.createCollection("doubanmovies")

語法格式：

db.createCollection(name, options)

 

建立表完成，再去查 MongoDB 中的庫就顯示了 Douban 庫。

 

查看錶：show collections

 

第十一步:在settings.py文件裏配置 MongoDB 鏈接配置項。

# MONGODB 主機名

MONGODB_HOST = "127.0.0.1"

# MONGODB 端口號

MONGODB_PORT = 27017

# 數據庫名稱

MONGODB_DBNAME = "Douban"

# 存放數據的表名稱

MONGODB_SHEETNAME = "doubanmovies"

 

第十二步: 編寫 pipelines 管道文件（把數據存儲到 MongoDB）。

import pymongo

from scrapy.conf import settings

 

class DoubanPipeline(object):

    def __init__(self):

        host = settings["MONGODB_HOST"]

        port = settings["MONGODB_PORT"]

        dbname = settings["MONGODB_DBNAME"]

        sheetname= settings["MONGODB_SHEETNAME"]

 

        # 建立MONGODB數據庫連接

        client = pymongo.MongoClient(host = host, port = port)

        # 指定數據庫

        mydb = client[dbname]

        # 存放數據的數據庫表名

        self.sheet = mydb[sheetname]

 

    def process_item(self, item, spider):

        data = dict(item)

        self.sheet.insert(data)

        return item

第十三步: 執行run.py文件，運行爬蟲。

 

第十四步: 查看 MongoDB 數據庫。

 

顯示的只是一部分數據（Type "it" for more），若是想看完整的數據，能夠經過 MongoDB 數據庫自帶的圖形化客戶端工具（MongoDB Compass Community）查看。

 

1.2  進階篇案例二

案例：使用下載中間件（Downloader Middlewares）改寫爬取豆瓣電影top250案例

案例步驟：

第一步：建立爬蟲項目。

在 dos下切換到目錄

D:\scrapy_project

 

新建一個新的爬蟲項目：scrapy startproject douban2

 

第二步:建立爬蟲。

在 dos下切換到目錄。

D:\scrapy_project\douban2\douban2\spiders

用命令 scrapy genspider doubanmovie2 "movie.douban.com" 建立爬蟲。

 

第三步: 開始前的準備工做。

(一)、在 scrapy.cfg 同級目錄下建立 pycharm 調試腳本 run.py，內容以下：

# -*- coding: utf-8 -*-

from scrapy import cmdline

cmdline.execute("scrapy crawl doubanmovie".split())

 

(二)、修改 settings 中的 ROBOTSTXT_OBEY = True 參數爲 False,由於默認爲 True，就是要遵照 robots.txt 的規則， robots.txt 是遵循 Robot協議 的一個文件，它保存在網站的服務器中，它的做用是，告訴搜索引擎爬蟲，本網站哪些目錄下的網頁不但願你進行爬取收錄。在 Scrapy 啓動後，會在第一時間訪問網站的 robots.txt 文件，而後決定該網站的爬取範圍。查看 robots.txt 能夠直接網址後接 robots.txt 便可。

例如百度：https://www.baidu.com/robots.txt

修改 settings 文件。

 

(三)不須要模擬登錄，settings.py 裏的 COOKIES_ENABLED ( Cookies中間件) 設置禁用狀態。

COOKIES_ENABLED = False

 

備註：截圖使用的是案例一，步驟參考案例一。

第四步: 定義 Item，編寫 items.py 文件。

import scrapy

class DoubanItem(scrapy.Item):

    # 電影標題

    title = scrapy.Field()

    # 電影信息

    bd = scrapy.Field()

    # 豆瓣評分

    star = scrapy.Field()

    # 膾炙人口的一句話

quote = scrapy.Field()

第五步: 編寫爬蟲文件。

import scrapy,sys,os

path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

sys.path.append(path)

from douban.items import DoubanItem

 

class DoubamovieSpider(scrapy.Spider):

    name = "doubanmovie"

    allowed_domains = ["movie.douban.com"]

    offset = 0

    url = "https://movie.douban.com/top250?start="

    start_urls = (

            url + str(offset),

    )

 

    def parse(self, response):

        item = DoubanItem()

        movies = response.xpath("//div[@class='info']")

 

        for each in movies:

            # 電影標題

            item['title'] = each.xpath(".//span[@class='title'][1]/text()").extract()[0]

            # 電影信息

            item['bd'] = each.xpath(".//div[@class='bd']/p/text()").extract()[0]

            # 豆瓣評分

            item['star'] = each.xpath(".//div[@class='star']/span[@class='rating_num']/text()").extract()[0]

            # 膾炙人口的一句話

            quote = each.xpath(".//p[@class='quote']/span/text()").extract()

            if len(quote) != 0:

                item['quote'] = quote[0]

            yield item

 

        if self.offset < 225:

            self.offset += 25

            yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

第六步:在settings.py文件裏設置管道文件。

ITEM_PIPELINES = {

   'douban.pipelines.DoubanPipeline': 300,

}

第七步:建立 MongoDB 數據庫"Douban"和存放爬蟲數據的表"doubanmovies"。

在MongoDB中建立一個叫"Douban"的庫。

 

MongoDB 建立數據庫的語法格式以下：

use DATABASE_NAME

若是數據庫不存在，則建立數據庫，不然切換到指定數據庫。

 

備註：剛建立的數據庫 Douban 並不在數據庫的列表中， 要顯示它，咱們須要向 Douban 數據庫插入一些數據或者建立表。

建立表：db.createCollection("doubanmovies")

語法格式：

db.createCollection(name, options)

 

建立表完成，再去查 MongoDB 中的庫就顯示了 Douban 庫。

 

查看錶：show collections

 

第八步:在settings.py文件裏配置 MongoDB 鏈接配置項。

# MONGODB 主機名

MONGODB_HOST = "127.0.0.1"

# MONGODB 端口號

MONGODB_PORT = 27017

# 數據庫名稱

MONGODB_DBNAME = "Douban"

# 存放數據的表名稱

MONGODB_SHEETNAME = "doubanmovies"

 

第九步: 編寫 pipelines 管道文件（把數據存儲到 MongoDB）。

import pymongo

from scrapy.conf import settings

 

class DoubanPipeline(object):

    def __init__(self):

        host = settings["MONGODB_HOST"]

        port = settings["MONGODB_PORT"]

        dbname = settings["MONGODB_DBNAME"]

        sheetname= settings["MONGODB_SHEETNAME"]

 

        # 建立MONGODB數據庫連接

        client = pymongo.MongoClient(host = host, port = port)

        # 指定數據庫

        mydb = client[dbname]

        # 存放數據的數據庫表名

        self.sheet = mydb[sheetname]

 

    def process_item(self, item, spider):

        data = dict(item)

        self.sheet.insert(data)

        return item

第十步: 在settings.py文件裏添加下載中間件（Downloader Middlewares）字段。

DOWNLOADER_MIDDLEWARES = {

    'douban.middlewares.RandomUserAgent': 100,

    'douban.middlewares.RandomProxy': 200,

}

USER_AGENTS = [

    'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)',

    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)',

    'Opera/9.27 (Windows NT 5.2; U; zh-cn)',

    'Opera/8.0 (Macintosh; PPC Mac OS X; U; en)',

    'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0',

    'Mozilla/5.0 (Linux; U; Android 4.0.3; zh-cn; M032 Build/IML74K) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30',

    'Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13'

]

PROXIES = [

        {"ip_port" :"121.42.140.113:16816", "user_passwd" : " xiao@123"},

        #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

        #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

        #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

]

【RandomUserAgent】：表示隨機的 Agent 。

【RandomProxy】：表示隨機的代理 。

代理能夠去找免費的代理。

 

也能夠去購買私密代理。

快代理：https://www.kuaidaili.com

 

備註：代理分免費代理和私密代理，免費代理的帳戶和密碼爲空，私密代理有帳戶和密碼，這須要在下載中間鍵 middlewares.py 程序裏增長判斷"user_passwd"有沒有值，若是沒有值就不用。

第十一步: 編寫下載中間鍵 middlewares.py 文件。

import random,os,sys

import base64

path = os.path.dirname(os.path.abspath(__file__))

sys.path.append(path)

from douban2.settings import USER_AGENTS

from douban2.settings import PROXIES

 

# 隨機的User-Agent

class RandomUserAgent(object):

    def process_request(self, request, spider):

        useragent = random.choice(USER_AGENTS)

        #設置請求頭的默認值

        request.headers.setdefault("User-Agent", useragent)

 

class RandomProxy(object):

    def process_request(self, request, spider):

        proxy = random.choice(PROXIES)

# request.meta['proxy']表示當前請求使用的代理

        if proxy['user_passwd'] is None:

            # 沒有代理帳戶驗證的代理使用方式

            request.meta['proxy'] = "http://" + proxy['ip_port']

        else:

            # 對帳戶密碼進行base64編碼轉換

            base64_userpasswd = base64.b64encode(proxy['user_passwd'])

            # 對應到代理服務器的信令格式裏

            request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd

            request.meta['proxy'] = "http://" + proxy['ip_port']

第十二步: 在 settings.py 文件裏設置延遲下載（防止訪問過於頻繁，設置爲 2 秒 或更高）

DOWNLOAD_DELAY = 3

 

第十三步: 執行run.py文件，運行爬蟲。

 

第十四步: 查看 MongoDB 數據庫。

 

顯示的只是一部分數據（Type "it" for more），若是想看完整的數據，能夠經過 MongoDB 數據庫自帶的圖形化客戶端工具（MongoDB Compass Community）查看。