摘要:前言新接触爬虫,经过一段时间的实践,写了几个简单爬虫,爬取豆瓣电影的爬虫例子网上有很多,但都很简单,大部分只介绍了请求页面和解析部分,对于新手而言,我希望能够有一个比较全面的实例。
0.前言
新接触爬虫,经过一段时间的实践,写了几个简单爬虫,爬取豆瓣电影的爬虫例子网上有很多,但都很简单,大部分只介绍了请求页面和解析部分,对于新手而言,我希望能够有一个比较全面的实例。所以找了很多实例和文章,并整合在一起,在现有豆瓣爬虫的基础上,增加了一些内容,算是比较全的内容了。主要包括项目建立、请求页面、xpath解析、自动翻页、数据输出、编码处理等等。。
系统环境System Version:Ubuntu 16.04
Python Version:3.5.2
Scrapy Version:1.5.0
执行如下命令建立scrapy爬虫项目
scrapy startproject spider_douban
命令执行完成后,建立了spider_douban文件夹,目录结构如下:
. ├── scrapy.cfg └── spider_douban ├── __init__.py ├── items.py ├── middlewares.py ├── pipelines.py ├── settings.py └── spiders ├── douban_spider.py └── __init__.py2.建立爬虫数据模型
打开./spider_douban/items.py文件,编辑内容如下:
import scrapy class DoubanMovieItem(scrapy.Item): # 排名 ranking = scrapy.Field() # 电影名称 movie_name = scrapy.Field() # 评分 score = scrapy.Field() # 评论人数 score_num = scrapy.Field()3.新建爬虫文件
新建./spiders/douban_spider.py文件,编辑内容如下:
from scrapy import Request from scrapy.spiders import Spider from spider_douban.items import DoubanMovieItem class DoubanMovieTop250Spider(Spider): name = "douban_movie_top250" start_urls = { "https://movie.douban.com/top250" } """ headers = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36", } def start_requests(self): url = "https://movie.douban.com/top250" yield Request(url, headers=self.headers) """ def parse(self, response): item = DoubanMovieItem() movies = response.xpath("//ol[@class="grid_view"]/li") print(movies) print("=============================================") for movie in movies: item["ranking"] = movie.xpath( ".//div[@class="pic"]/em/text()").extract()[0] item["movie_name"] = movie.xpath( ".//div[@class="hd"]/a/span[1]/text()").extract()[0] item["score"] = movie.xpath( ".//div[@class="star"]/span[@class="rating_num"]/text()" ).extract()[0] item["score_num"] = movie.xpath( ".//div[@class="star"]/span/text()").re(r"(d+)人评价")[0] yield item next_url = response.xpath("//span[@class="next"]/a/@href").extract() if next_url: next_url = "https://movie.douban.com/top250" + next_url[0] yield Request(next_url)爬虫文件各部分功能记录
douban_spider.py文件主要有几部分构成。
导入模块from scrapy import Request from scrapy.spiders import Spider from spider_douban.items import DoubanMovieItem
Request类用于请求要爬取的页面数据
Spider类是爬虫的基类
DoubanMovieItem是我们第一步建立的爬取数据模型
基于spider类定义的爬虫类DoubanMovieTop250Spider中,首先定义爬虫的基本信息:
name:在项目中爬虫的名称,可以在项目目录中执行scrapy list获取已经定义的爬虫列表
start_urls:是爬取的第一个页面地址
headers:是向web服务器发送页面请求的时候附加的user-agent消息,告诉web服务器是什么类型的浏览器或设备在请求页面,对于不具备简单反爬机制的网站,headers部分可以省略。
为了迷惑web服务器,一般会在爬虫发送web请求的时候定义user-agent信息,这里有两种写法。
header的第一种定义:
headers = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36", } def start_requests(self): url = "https://movie.douban.com/top250" yield Request(url, headers=self.headers)
可以看到,这种写法中,start_urls定义没有了,转而定义了start_requests函数,开始的url写到了函数里。同时,定义了headers字典,在发送Request请求的时候,将headers字典一并发送。这种写法简单直观,缺点是在一个爬虫项目执行期间,所有请求都是一个User-Agent属性。
header的第二种定义:
start_urls = { "https://movie.douban.com/top250" }
简单、直接的定义start_urls属性,而Request中的header属性通过其他方法另外定义,容后再说。
parse处理函数逐句分解说明
1.基于我们定义的DoubanMovieItem类创建item实例
item = DoubanMovieItem()
2.解析页面 - 获取内容框架
通过分析页面源码,我们能够看到,页面中的电影信息是保存在了标签中,这个
标签有一个独特的样式表grid_view,而每一个多带带的电影信息保存在了标签中,下面代码获取class属性为grid_view的
标签下的所有标签内容。
movies = response.xpath("//ol[@class="grid_view"]/li")
3.解析页面 - 获取分项
在每一个标签中,还有内部结构,通过xpath()解析,将每一项内容解析出来,赋值给item实例中的各个字段。通过查看movie.douban.com/top250页面的源码可以很容易找到这个标签定义的内容。如果我们通过type()函数查看movies的变量类型,可以发现他的类型是标签中的每一个标签都是这个列表中的一项,那么就可以对movies做迭代。
首先看看标签中的页面结构:
可以看到要提取数据的各部分所在标签位置:
排名:class属性为pic的标签下,,标签中...
电影名:class属性为hd的标签下,标签中的第一个标签...
评分:class属性为star的标签下,class属性为rating_num的标签中...
评论人数:class属性为star的标签下,标签中。由于使用了re正则表达式,所以没有特别指定是哪一个标签。回到代码部分,对之前定义的movies做迭代,逐项获取要抓取的数据。
for movie in movies: item["ranking"] = movie.xpath( ".//div[@class="pic"]/em/text()").extract()[0] item["movie_name"] = movie.xpath( ".//div[@class="hd"]/a/span[1]/text()").extract()[0] item["score"] = movie.xpath( ".//div[@class="star"]/span[@class="rating_num"]/text()" ).extract()[0] item["score_num"] = movie.xpath( ".//div[@class="star"]/span/text()").re(r"(d+)人评价")[0] yield item4.Url跳转(翻页)
如果到此为止,我们可以将https://movie.douban.com/top250页面中的第一页内容爬取到,但只有25项记录,要爬取全部的250条记录,就要执行下面代码:
next_url = response.xpath("//span[@class="next"]/a/@href").extract() if next_url: next_url = "https://movie.douban.com/top250" + next_url[0] yield Request(next_url)首先通过xpath解析了页面中后页的链接,并赋值给next_url变量,如果我们当前在第一页,那么解析后页的链接就是?start=25&filter=。将解析的后页链接与完整url连接形成完整的地址,再次执行Request(),就实现了对全部250条记录的爬取。注意:通过xpath解析出的结果是列表,所以在引用的时候写成next_url[0]。
4.处理随机Head属性(随机User-Agent)实现随机的head属性发送。主要改两个文件:
settings.pyUSER_AGENT_LIST = [ "zspider/0.9-dev http://feedback.redkolibri.com/", "Xaldon_WebSpider/2.0.b1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) Speedy Spider (http://www.entireweb.com/about/search_tech/speedy_spider/)", "Mozilla/5.0 (compatible; Speedy Spider; http://www.entireweb.com/about/search_tech/speedy_spider/)", "Speedy Spider (Entireweb; Beta/1.3; http://www.entireweb.com/about/search_tech/speedyspider/)", "Speedy Spider (Entireweb; Beta/1.2; http://www.entireweb.com/about/search_tech/speedyspider/)", "Speedy Spider (Entireweb; Beta/1.1; http://www.entireweb.com/about/search_tech/speedyspider/)", "Speedy Spider (Entireweb; Beta/1.0; http://www.entireweb.com/about/search_tech/speedyspider/)", "Speedy Spider (Beta/1.0; www.entireweb.com)", "Speedy Spider (http://www.entireweb.com/about/search_tech/speedy_spider/)", "Speedy Spider (http://www.entireweb.com/about/search_tech/speedyspider/)", "Speedy Spider (http://www.entireweb.com)", "Sosospider+(+http://help.soso.com/webspider.htm)", "sogou spider", "Nusearch Spider (www.nusearch.com)", "nuSearch Spider (compatible; MSIE 4.01; Windows NT)", "lmspider (lmspider@scansoft.com)", "lmspider lmspider@scansoft.com", "ldspider (http://code.google.com/p/ldspider/wiki/Robots)", "iaskspider/2.0(+http://iask.com/help/help_index.html)", "iaskspider", "hl_ftien_spider_v1.1", "hl_ftien_spider", "FyberSpider (+http://www.fybersearch.com/fyberspider.php)", "FyberSpider", "everyfeed-spider/2.0 (http://www.everyfeed.com)", "envolk[ITS]spider/1.6 (+http://www.envolk.com/envolkspider.html)", "envolk[ITS]spider/1.6 ( http://www.envolk.com/envolkspider.html)", "Baiduspider+(+http://www.baidu.com/search/spider_jp.html)", "Baiduspider+(+http://www.baidu.com/search/spider.htm)", "BaiDuSpider", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0) AddSugarSpiderBot www.idealobserver.com", ] DOWNLOADER_MIDDLEWARES = { "spider_douban.middlewares.RandomUserAgentMiddleware": 400, "scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware": None, }USER_AGENT_LIST定义了一些浏览器user-agent属性,网上有很多,可以找来直接加进去,需要注意的是有些user-agent信息是移动设备(手机或平板)的,如果不注意的话,可能请求到的数据与你看到的数据有较大差异;
middlewares.py
DOWNLOADER_MIDDLEWARES定义了下载器中间件,它在发送页面请求数据的时候被调用。from spider_douban.settings import USER_AGENT_LIST import random class RandomUserAgentMiddleware(): def process_request(self, request, spider): ua = random.choice(USER_AGENT_LIST) if ua: request.headers.setdefault("User-Agent", ua)在RandomUserAgentMiddleware()中,每次发送请求数据,会在USER_AGENT_LIST中随机选择一条User-Agent记录。
5.结果保存编辑pipelines.py文件:
from scrapy import signals from scrapy.contrib.exporter import CsvItemExporter class SpiderDoubanPipeline(CsvItemExporter): def __init__(self): self.files = {} @classmethod def from_crawler(cls, crawler): print("==========pipeline==========from_crawler==========") pipeline = cls() crawler.signals.connect(pipeline.spider_opened, signals.spider_opened) crawler.signals.connect(pipeline.spider_closed, signals.spider_closed) return pipeline def spider_opened(self, spider): savefile = open("douban_top250_export.csv", "wb+") self.files[spider] = savefile print("==========pipeline==========spider_opened==========") self.exporter = CsvItemExporter(savefile) self.exporter.start_exporting() def spider_closed(self, spider): print("==========pipeline==========spider_closed==========") self.exporter.finish_exporting() savefile = self.files.pop(spider) savefile.close() def process_item(self, item, spider): print("==========pipeline==========process_item==========") print(type(item)) self.exporter.export_item(item) return itemSpiderDoubanPipeline类是建立项目的时候自行建立的,为了保存文件,做了修改。
def from_crawler(cls, crawler):如果存在,则调用此类方法从Crawler创建pipeline实例。它必须返回一个新的pipeline实例。抓取对象提供对所有Scrapy核心组件的访问,如settings和signals; 这是pipeline访问它们并将其功能挂接到Scrapy的一种方式。
在此方法中,定义了一个数据收集器(cls)的实例:‘pipeline’。
signals:Scrapy使用信号来通知事情发生。您可以在您的Scrapy项目中捕捉一些信号(使用 extension)来完成额外的工作或添加额外的功能,扩展Scrapy。虽然信号提供了一些参数,不过处理函数不用接收所有的参数 - 信号分发机制(singal dispatching mechanism)仅仅提供处理器(handler)接受的参数。您可以通过 信号(Signals) API 来连接(或发送您自己的)信号。
connect:链接一个接收器函数(receiver function) 到一个信号(signal)。signal可以是任何对象,虽然Scrapy提供了一些预先定义好的信号。
def spider_opened(self, spider):当spider开始爬取时发送该信号。该信号一般用来分配spider的资源,不过其也能做任何事。该信号支持返回deferreds。
此方法中,创建了一个文件对象实例:savefile。
CsvItemExporter(savefile):输出 csv 文件格式. 如果添加 fields_to_export 属性, 它会按顺序定义CSV的列名.
def spider_closed(self, spider):当某个spider被关闭时,该信号被发送。该信号可以用来释放每个spider在 spider_opened 时占用的资源。该信号支持返回deferreds。
def process_item(self, item, spider):每个item pipeline组件都需要调用该方法,这个方法必须返回一个 Item (或任何继承类)对象, 或是抛出 DropItem 异常,被丢弃的item将不会被之后的pipeline组件所处理。
启用pipeline为了让我们定义的pipeline生效,要在settings.py文件中,打开ITEM_PIPELINES注释:
ITEM_PIPELINES = { "spider_douban.pipelines.SpiderDoubanPipeline": 300, }6.执行爬虫scrapy crawl douban_movie_top250执行爬虫能够看到爬取到的数据。。。
如果之前pipeline部分代码没有写,也可以用下面的命令,在爬虫执行的时候直接导出数据:
scrapy crawl douban_movie_top250 -o douban.csv增加-o参数,可以将爬取到的数据保存到douban.csv文件中。。
7.文件编码的问题我在linux服务器执行爬虫,生成csv文件后,在win7系统中用excel打开变成乱码。在网上找了一些文章,有的文章直接改变linux文件默认编码,但是感觉这么做会对其他项目产生影响。最后选择一个相对简单的方式。按这几步执行就可以:
不要直接用excel打开csv文件。先打开excel,建立空白工作表。
选择数据选项卡,打开获取外部数据中的自文本。
在导入文本文件对话框中选择要导入的csv文件。
在文本导入向导 - 第1步中,设置文件原始格式为65001 : Unicode (UTF-8)
继续下一步选择逗号分隔,就可以导入正常文本了。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/41418.html
相关文章
scrapy入门教程——爬取豆瓣电影Top250!
摘要:注意爬豆爬一定要加入选项,因为只要解析到网站的有,就会自动进行过滤处理,把处理结果分配到相应的类别,但偏偏豆瓣里面的为空不需要分配,所以一定要关掉这个选项。 本课只针对python3环境下的Scrapy版本(即scrapy1.3+) 选取什么网站来爬取呢? 对于歪果人,上手练scrapy爬虫的网站一般是官方练手网站 http://quotes.toscrape.com 我们中国人,当然...
scrapy入门:豆瓣电影top250爬取
摘要:本文内容爬取豆瓣电影页面内容,字段包含排名,片名,导演,一句话描述有的为空,评分,评价人数,上映时间,上映国家,类别抓取数据存储介绍爬虫框架教程一入门创建项目创建爬虫注意,爬虫名不能和项目名一样应对反爬策略的配置打开文件,将修改为。 本文内容 爬取豆瓣电影Top250页面内容,字段包含:排名,片名,导演,一句话描述 有的为空,评分,评价人数,上映时间,上映国家,类别 抓取数据存储 ...
Java爬虫之下载IMDB中Top250电影的图片
摘要:介绍在博客爬虫爬取豆瓣电影图片中我们利用的爬虫框架,将豆瓣电影图片下载到自己电脑上。那么,在的爬虫的也可以下载图片吗答案当然是肯定的在本次分享中,我们将利用的包和函数来实现图片的下载。 介绍 在博客:Scrapy爬虫(4)爬取豆瓣电影Top250图片中我们利用Python的爬虫框架Scrapy,将豆瓣电影Top250图片下载到自己电脑上。那么,在Java的爬虫的也可以下载图片吗?答...
scrapy爬取豆瓣Top250电影
摘要:这次我们爬取的内容准备步骤找到格式网页中需要爬取的数据的例如我们需要爬取图片的这里用的是不会用的同学请百度然后我们开始建立工程打开然后在你想要建立工程的目录下面输入就会自动建立一个工程然后去根目录建立一个去这个目录里建立一个注意这里的主爬虫 这次我们爬取的内容 showImg(https://segmentfault.com/img/bVSirX?w=1021&h=521); 准备步骤...
Python爬虫之多线程下载豆瓣Top250电影图片
摘要:本次爬虫项目将会用到模块中的类,多线程豆瓣电影图片。总结通过上述两个爬虫程序的对比,我们不难发现,同样是下载豆瓣电影,个网页中的图片,在没有使用多线程的情况下,总共耗时约,而在使用多线程个线程的情况下,总共耗时约秒,效率整整提高了约倍。 爬虫项目介绍 本次爬虫项目将爬取豆瓣Top250电影的图片,其网址为:https://movie.douban.com/top250, 具体页面如...
发表评论
0条评论
WalkerXu
男|高级讲师
TA的文章
阅读更多
Nextarray:美国vps/达拉斯vps,2核/1GB内存/20GB SSD/不限流量/100M
阅读 997·2021-10-19 11:42
浑浑噩噩10年,入坑软件测试,6年干到测试leader,非科班的我也能当程序员!
阅读 2953·2021-09-10 10:51
什么是接口测试?接口测试基础、案例及Json格式详解
阅读 651·2021-09-09 09:33
#消息#Sharktech:推出云托管服务,联系客服可获得$50,白嫖一个月4核/8G的服务器
阅读 1744·2021-09-01 10:43
Web前端工程师应该懂的的知识点——HTML/CSS
阅读 2746·2019-08-30 12:43
css伪类选择器
阅读 3501·2019-08-30 11:24
CSS 深入理解:overflow: hidden——隐藏溢出、清除浮动、解除坍塌
阅读 2074·2019-08-30 10:56
DIV 上下左右居中黑科技
阅读 2763·2019-08-29 11:00