IT七剑客
孤寒者
2022-08-15
目录

Scrapy实战之豆瓣top250电影信息的爬取

# 简单使用

# 1.基操（简单的项目命令）！

# （1）创建项目：

（小知识点：<>为必填项；[]为选填项！小技巧1：pycharm终端输入scrapy可以查看一些帮助，有助于我们写那些难记的命令！小技巧2：scrapy+命令关键字，可以查看有关于此命令的详细用法！）

1.首先： cd+要放scrapy项目的文件夹路径

2.第二步： 通过scrapy命令可以很方便的新建scrapy项目。

语法格式：scrapy startproject <project_name> [project_dir]

该命令会在project_dir文件加下创建一个名为project_name的Scrapy新项目。如果project_dir没有指定，project_dir与project_name相同。执行命令：scrapy startproject baidu之后会在指定文件夹创建如下文件：

img

# （2）创建爬虫文件

{创建一个bdSpider的类，它必须继承scrapy.Spider类，需要定义以下三个属性：name: spider的名字，必须且唯一start_urls: 初始的url列表parse(self, response) 方法：每个初始url完成之后被调用。这个函数要完成一下两个功能：解析响应，封装成item对象并返回这个对象提取新的需要下载的url，创建新的request，并返回它

我们也可以通过命令创建爬虫

语法格式：scrapy genspider [-t template] 运行命令：scrapy genspider bd www.baidu.com会在spiders文件下生成bd.py文件}**1.首先： (opens new window)** cd 到项目下2.第二步： scrapy genspider [options] scrapy genspider bd www.baidu.com会创建在项目/spider下 (opens new window) ;其中bd 是爬虫文件名, www.baidu.com (opens new window) 是 url（域名）执行命令：scrapy genspider bd www.baidu.com之后再项目/spider下创建的文… (opens new window)

# -*- coding: utf-8 -*-
import scrapy


class BdSpider(scrapy.Spider):          #继承了scrapy.Spider类
    name = 'bd'                         #名字是唯一的（不重复）  因为我们在启动项目的时候，是根据这个名字来找爬虫文件的
    allowed_domains = ['www.baidu.com'] #允许的域名 （限制）    可以没有这个限制！
    start_urls = ['http://www.baidu.com/']  #首个请求（必须要有）  不然开始都开始不了，怎么让整个框架运行下去呢！

    def parse(self, response):           #必须是parse函数  不可以乱改名  接收下载器下载的数据
        print("*******")    #用于更直观的观察框架能否正常运行！
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print(response)         #response对象
        #获取数据   两种方法：
        print(response.body.decode())   #获取到的是字节码形式
        # print(response.text)
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

注意：最后引擎给spider模块的数据就给到了函数parse里的形参response：

img

# （3）运行爬虫文件

一步即可： scrapy crawl [options] 其中spider是爬虫文件名

执行命令：scrapy crawl bd

# 但是！我们运行爬虫文件之后，发现用于测试的print函数没有显示，经过检查终端输出的数据可知Scrapy框架是默认遵循robots协议的，所以咱们肯定获取不到数据了！！！

img

# 如何解决这个问题呢？

打开设置文件settings.py，将其中的以下代码更改为False即可！

# Obey robots.txt rules
ROBOTSTXT_OBEY = True
复制代码
1
2
3

拓展：第二种运行scrapy的方法！

cd 到爬虫模块spiders文件夹下，运行命令：
  scrapy runspider 爬虫py文件名
注意：爬虫py文件名要带.py后缀！
复制代码
1
2
3
4

高级拓展：（注意：以上两种运行scrapy框架的方法都无法进行debug，非常不方便！万一出问题了，岂不是很难找！！！所以：推出第三种启动scrapy框架的方法-----django在创建项目的时候自动生成一个启动项目的py文件【manage.py或者main.py】，而scrapy框架没有，但是我们可以自己定义呀！！！！！）

1.在项目文件夹下创建名为main.py或者manage.py的py文件：
复制代码
1
2

img

2.在此py文件下编写代码如下：

from scrapy.cmdline import execute
import sys
import os

# 保证终端执行  "scrapy", "crawl", "bd" 这个命令运行不出现路径问题！（可以不写！）
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy", "crawl", "bd"])
复制代码
3.现在，我们可以直接运行这个py文件，会发现会和前两种方法一样运行scrapy框架；而且，强大的是：我们还可以通过debug此py文件达到调试此scrapy框架的作用！！！
复制代码
1
2
3
4
5
6
7
8
9
10
11
12

# （2）实操（豆瓣电影top250首页电影信息的获取！）

# 1.创建项目：

scrapy startproject douban

# 2.创建爬虫文件：

scrapy genspider db www.summer.com (opens new window) （注意：这个域名是可以随便写的【但是必须要写哦！】，等爬虫文件生成之后再进相应的爬虫文件改为我们所需的即可！）

# -*- coding: utf-8 -*-
import scrapy


class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print(response.text)
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# 3.运行爬虫文件：

scrapy crawl db但是，我们运行之后发现又没有获取到数据哎！

img

造成这样的原因是：回想爬虫的基础，我们如果直接这样向网页发送请求进行爬取，那服务端一眼就看到咱是scrapy了，它还会理咱嘛？所以我们要设置请求头！

# 4.设置请求头：

在配置文件settings.py中找到如下代码取消注释并加入爬取网页请求头的User-Agent即可！

img

# 5.获取到电影名字：

{到现在，我们运行爬虫文件，Scrapy框架已经可以获取到网页的首页数据。那么，我们如何筛选出我们想要的电影的名字呢？考虑到我们如果利用xpath匹配，可能要多次尝试才能正确匹配到，那就需要我们一次又一次的运行咱的项目，多麻烦啊！咱都这样想了，人家大牛也这样想啊，所以，在这里有个贼帅贼帅的牛皮的方法：使用shell交互式平台：（注意1：它是遵循settings设置的；注意2：一定要到咱的项目文件夹下运行；） 首先：cd到我们项目的文件路径下。然后：输入命令scrapy shell url (start_url) 即可！这样：它其实就请求到了此url的数据（跟上面运行爬虫文件得到的数据一模一样）！！！}

首先：打开我们的shell交互式平台。 再此项目中：输入命令scrapy shell movie.douban.com/top250 (opens new window)

第二步：在shell交互式平台中匹配我们所需的电影数据。 输入：response.xpath('//div[@class="info"]/div/a/span[1]/text()')

img

（会发现：这得到的是一个selector对象！而我们得到的数据就是用的response对象自带的xpath匹配到的（生成了response之后就会自动生成selector对象）！与我们正常用的xpath不同，它获取到的数据在selector对象里，如上图：）

第三步：从selector对象中提取电影名字使用selector对象的方法.extract()。这个方法可以提取到selector对象中data对应的数据。response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()

img

# 6.将获取到的电影的信息存储到text文本中

{注意：如果想要存储数据，就要用到管道。这就涉及到了items.py文件（定义结构化数据字段）和pipelines.py文件（管道文件）。}

首先：操作items.py文件因为我们只需要存储一个信息，所以定义一个字段名即可！{定义公共输出数据格式，Scrapy提供了Item类。Item对象是用于收集剪贴数据的简单容器。它们提供了一个类似词典的API，提供了一种方便的语法来声明它们的可用字段。 scray.Item对象是用于收集抓取数据的简单容器，使用方法和python的字典类似。编辑项目目录下items.py文件。

然后我们只需要在爬虫中导入我们定义的Item类，实例化后用它进行数据结构化。}

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

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #需要定义字段名  就像数据库那样，有字段名，才能插入数据（即存储数据）
    # Field代表的是字符串类型！！！
    films_name=scrapy.Field()   #定义字段名
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

第二步：在爬虫文件中操作数据，使其与管道建立桥梁{到目前为止，我们通过scrapy写出的爬虫还看不出优越性在哪里，并且上面的爬虫还有个很严重的问题，就是对文件的操作。每次调用parse方法会打开文件关闭文件，这极大的浪费了资源。parse函数在解析出我们需要的信息之后，可以将这些信息打包成一个字典对象或scray.Item对象（一般都是item对象），然后返回。这个对象会被发送到item管道，该管道会通过顺序执行几个组件处理它。每个item管道组件是一个实现简单方法的Python类。他们收到一个item并对其执行操作，同时决定该item是否应该继续通过管道或者被丢弃并且不再处理。item管道的典型用途是：

清理HTML数据验证已删除的数据（检查项目是否包含某些字段）检查重复项（并删除它们）将已爬取的item进行数据持久化}

# -*- coding: utf-8 -*-
import scrapy

from ..items import DoubanItem      #因为我们要使用包含定义字段名的类，所以需要导入

class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        # 获取电影信息数据
        films1_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()
        # 交给管道存储
        # 使用DoubanItem
        item=DoubanItem()  #创建对象
        item["films_name"]=films1_name      #值是个列表，因为xpath匹配到的数据都扔到列表里了！
        # item可以理解为一个安全的字典  用法与字典相同
        print("item里面是：",dict(item))  #可以转换为字典
        return item     #交给引擎  引擎要交给管道,需要打开管道
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

第三步：我们要将数据提交给管道，所以需要打开管道要激活这个管道组件，必须将其添加到ITEM_PIPELINES设置中,在settings.py文件中:

(在此设置中为类分配的整数值决定了它们运行的顺序：按照从较低值到较高值的顺序进行。注意：这个管道的目的只是介绍如何编写项目管道，如果要将所有爬取的item存储到json文件中，则应使用Feed导出，在运行爬虫是加上如下参数：scrapy crawl bd -o films.json)

img

第四步：现在数据已经可以交给管道，那么管道就要对数据进行处理就是操作pipelines.py文件

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

import json
class DoubanPipeline(object):
    def process_item(self, item, spider):
        #为了能写进text  json.dumps将dic数据转换为str
        json_str=json.dumps(dict(item),ensure_ascii=False)
        with open("films.text","w",encoding="utf-8") as f:
            f.write(json_str)
        return item
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 实现效果：

img

# 🔆In The End！

# 👑有关于Me

个人简介：我是一个硬件出身的计算机爱好者，喜欢program，源于热爱，乐于分享技术与所见所闻所感所得。文章涉及Python，C，单片机，HTML/CSS/JavaScript及算法，数据结构等。

从现在做起，坚持下去，一天进步一小点，不久的将来，你会感谢曾经努力的你！

认真仔细看完本文的小伙伴们，可以点赞收藏并评论出你们的读后感。并可关注本博主，在今后的日子里阅读更多技术文哦~

作者：孤寒者 链接：https://juejin.cn/post/7111259081217671205 来源：稀土掘金 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

#Python#孤寒者
上次更新: 2023/04/05, 05:23:58
scrapy_redis分布式爬虫的创建流程及启动
Scrapy框架初识

← Scrapy框架初识→

最近更新
01
How the creator of Angular is dehydrating the web (Ep 574)
06-07
02
For those who just don’t Git it (Ep 573)
06-07
03
Modern work requires attention. Constant alerts steal it
06-07
更多文章>
Theme by Vdoing | Copyright © 2022-2023 IT七剑客 | MIT License
  • 闽ICP备2021006579号-4
  • 闽公网安备 35012102500470号