Python利用Scrapy框架爬取豆瓣电影示例

本文实例讲述了python利用scrapy框架爬取豆瓣电影。分享给大家供大家参考，具体如下：

1、概念

scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

通过python包管理工具可以很便捷地对scrapy进行安装，如果在安装中报错提示缺少依赖的包，那就通过pip安装所缺的包

pip install scrapy

scrapy的组成结构如下图所示

引擎scrapy engine，用于中转调度其他部分的信号和数据传递

调度器scheduler，一个存储request的队列，引擎将请求的连接发送给scheduler，它将请求进行排队，但引擎需要时再将队列中的第一个请求发送给引擎

下载器downloader，引擎将请求request链接发送给downloader之后它就从互联网上下载相应的数据，并将返回的数据responses交给引擎

爬虫spiders，引擎将下载的responses数据交给spiders进行解析，提取我们需要的网页信息。如果在解析中发现有新的所需要的url连接，spiders会将链接交给引擎存入调度器

管道item pipline，爬虫会将页面中的数据通过引擎交给管道做进一步处理，进行过滤、存储等操作

下载中间件downloader middlewares，自定义扩展组件，用于在请求页面时封装代理、http请求头等操作

爬虫中间件spider middlewares，用于对进入spiders的responses和出去的requests等数据作一些修改

scrapy的工作流程：首先我们将入口url交给spider爬虫，爬虫通过引擎将url放入调度器，经调度器排队之后返回第一个请求request，引擎再将请求转交给下载器进行下载，下载好的数据交给爬虫进行爬取，爬取的数据一部分是我们需要的数据交给管道进行数据清洗和存储，还有一部分是新的url连接会再次交给调度器，之后再循环进行数据爬取

2、新建scrapy项目

首先在存放项目的文件夹内打开命令行，在命令行下输入scrapy startproject 项目名称，就会在当前文件夹自动创建项目所需的python文件，例如创建一个爬取豆瓣电影的项目douban，其目录结构如下：

db_project/
  scrapy.cfg        --项目的配置文件
  douban/          --该项目的python模块目录，在其中编写python代码
    __init__.py      --python包的初始化文件
    items.py       --用于定义item数据结构
    pipelines.py     --项目中的pipelines文件
    settings.py      --定义项目的全局设置，例如下载延迟、并发量
    spiders/       --存放爬虫代码的包目录
      __init__.py
      ...

之后进入spiders目录下输入scrapy genspider 爬虫名 域名，就会生成爬虫文件douban.py文件，用于之后定义爬虫的爬取逻辑和正则表达式等内容

scrapy genspider douban movie.douban.com

3、定义数据

要爬取的豆瓣电影网址为 ，其中的每个电影如下

我们要爬取其中的序号、名称、介绍、星级、评论数、描述这几个关键信息，因此需要在管道文件items.py中先定义这几个对象，类似于orm，通过scrapy.field()方法为每个字段定义一个数据类型

import scrapy
 
 
class doubanitem(scrapy.item):
  ranking = scrapy.field()  # 排名
  name = scrapy.field()  # 电影名
  introduce = scrapy.field() # 简介
  star = scrapy.field()  # 星级
  comments = scrapy.field()  # 评论数
  describe = scrapy.field()  # 描述

4、数据爬取

打开之前在spiders文件夹下创建的爬虫文件movie.py如下所示，以及自动创建了三个变量和一个方法，在parse方法中进行返回数据response的处理，我们需要在start_urls提供爬虫的入口地址。注意爬虫会自动过滤掉allowed_domains之外的域名，因此需要注意这个变量的赋值

# spiders/movie.py
import scrapy
 
 
class moviespider(scrapy.spider):
  # 爬虫名
  name = 'movie'
  # 允许爬取的域名
  allowed_domains = ['movie.douban.com']
  # 入口url
  start_urls = ['https://movie.douban.com/top250']
 
  def parse(self, response):
    pass

在进行数据爬取之前首先要设置一些网络代理，在settings.py文件内找到user_agent变量修改如下：

user_agent = 'mozilla/5.0 (windows nt 10.0; win64; x64; rv:70.0) gecko/20100101 firefox/70.0'

可以在命令行通过如下命令启动名为douban的爬虫：scrapy crawl douban，也可以编写一个启动文件run.py文件如下，运行即可

from scrapy import cmdline
cmdline.execute('scrapy crawl movie'.split())

接下来要对爬取到的数据进行过滤，通过xpath规则可以使我们便捷地选中网页中的指定元素，如下图所示，每个电影条目都包裹在<ol class="grid_view">下的一个<li>标签，因此通过xpath：//ol[@class='grid_view']/li 就选中了本页面所有的电影条目。可以通过谷歌浏览器的xpath插件或者火狐浏览器的chropath获得xpath值，在浏览器右键查看元素，弹出如下图所示的开发者工具，其中最右边就是chropath插件，它直观地显示了元素的xpath值: //div[@id='wrapper']//li
 

爬虫response对象的xpath()方法可以直接处理xpath规则字符串并返回对应的页面内容，这些内容都是选择器对象selector，可以进一步作细化的内容选取，通过xpath选择出其中的电影名字、简介、评价、星级等内容，即之前在items.py文件中所定义的数据结构doubanitem。循环遍历每个电影列表从其中爬取到准确的电影信息，并保存为doubanitem对象item，最后通过yield将item对象从spiders返回到item管道。

爬虫除了从页面提取item数据之外还会爬取url链接从而形成下一页的request请求，如下图所示为豆瓣页面底部的下一页信息，第二页的参数为"?start=25&filter="，与网站地址拼接起来就可以得到下一页面的地址。和上面一样通过xpath提取该内容，如果不为空，则拼接得到的request请求yield提交给调度器

最终的爬虫movie.py文件如下

# -*- coding: utf-8 -*-
import scrapy
from items import doubanitem
 
 
class moviespider(scrapy.spider):
  # 爬虫名
  name = 'movie'
  # 爬取网站的域名
  allowed_domains = ['movie.douban.com']
  # 入口url
  start_urls = ['https://movie.douban.com/top250']
 
  def parse(self, response):
    # 首先抓取电影列表
    movie_list = response.xpath("//ol[@class='grid_view']/li")
    for selector in movie_list:
      # 遍历每个电影列表，从其中精准抓取所需要的信息并保存为item对象
      item = doubanitem()
      item['ranking'] = selector.xpath(".//div[@class='pic']/em/text()").extract_first()
      item['name'] = selector.xpath(".//span[@class='title']/text()").extract_first()
      text = selector.xpath(".//div[@class='bd']/p[1]/text()").extract()
      intro = ""
      for s in text: # 将简介放到一个字符串
        intro += "".join(s.split()) # 去掉空格
      item['introduce'] = intro
      item['star'] = selector.css('.rating_num::text').extract_first()
      item['comments'] = selector.xpath(".//div[@class='star']/span[4]/text()").extract_first()
      item['describe'] = selector.xpath(".//span[@class='inq']/text()").extract_first()
      # print(item)
      yield item # 将结果item对象返回给item管道
    # 爬取网页中的下一个页面url信息
    next_link = response.xpath("//span[@class='next']/a[1]/@href").extract_first()
    if next_link:
      next_link = "https://movie.douban.com/top250" + next_link
      print(next_link)
      # 将request请求提交给调度器
      yield scrapy.request(next_link, callback=self.parse)

xpath选择器

/表示从当前位置的下一级目录进行寻找，//表示从当前位置的任意一级子目录进行寻找，

默认从根目录开始查找，. 代表从当前目录开始查找，@后跟标签属性，text()函数代表取出文字内容

//div[@id='wrapper']//li  代表先从根目录开始查找id为wrapper的div标签，然后取出其下的所有li标签

.//div[@class='pic']/em[1]/text()  代表从当前选择器目录开始查找所有class为pic的div之下的第一个em标签，取出文字内容

string(//div[@id='endtext']/p[position()>1]) 代表选取id为endtext的div下第二个p标签之后的所有文字内容

/bookstore/book[last()-2] 选取属于 bookstore 子元素的倒数第3个 book 元素。

css选择器

还可以使用css选择器来选择页面内的元素，其通过css伪类的方式表达选择的元素，使用如下

# 选择类名为left的div下的p标签中的文字
response.css('div.left p::text').extract_first()
 
# 选取id为tag的元素下类名为star元素中的文字
response.css('#tag .star::text').extract_first()

5、数据保存

在运行爬虫文件时通过参数-o指定文件保存的位置即可，可以根据文件后缀名选择保存为json或者csv文件，例如

scrapy crawl movie -o data.csv

还可以piplines.py文件中对取得的item数据作进一步操作从而通过python操作将其保存到数据库中

6、中间件设置

有时为了应对网站的反爬虫机制，需要对下载中间件进行一些伪装设置，包括使用ip代理和代理user-agent方式，在middlewares.py文件中新建一个user_agent类用于为请求头添加用户列表，从网上查一些常用的用户代理放入user_agent_list列表，然后通过random函数从中随机抽取一个作为代理，设置为reques请求头的user_agent字段

class user_agent(object):
  def process_request(self, request, spider):
    # user agent 列表
    user_agent_list = [
      'msie (msie 6.0; x11; linux; i686) opera 7.23',
      'opera/9.20 (macintosh; intel mac os x; u; en)',
      'opera/9.0 (macintosh; ppc mac os x; u; en)',
      'itunes/9.0.3 (macintosh; u; intel mac os x 10_6_2; en-ca)',
      'mozilla/4.76 [en_jp] (x11; u; sunos 5.8 sun4u)',
      'itunes/4.2 (macintosh; u; ppc mac os x 10.2)',
      'mozilla/5.0 (macintosh; intel mac os x 10.6; rv:5.0) gecko/20100101 firefox/5.0',
      'mozilla/5.0 (macintosh; intel mac os x 10.6; rv:9.0) gecko/20100101 firefox/9.0',
      'mozilla/5.0 (macintosh; intel mac os x 10.8; rv:16.0) gecko/20120813 firefox/16.0',
      'mozilla/4.77 [en] (x11; i; irix;64 6.5 ip30)',
      'mozilla/4.8 [en] (x11; u; sunos; 5.7 sun4u)'
    ]
    agent = random.choice(user_agent_list) # 从上面列表中随机抽取一个代理
    request.headers['user_agent'] = agent # 设置请求头的用户代理

在settings.py文件内设置开启下载中间件即取消如下几行的注释，注册代理类user_agent并设置优先级，数字越小优先级越高