如何利用scrapy新建爬虫项目

抓取豆瓣top250电影数据，并将数据保存为csv、json和存储到monogo数据库中，目标站点：https://movie.douban.com/top250

一、新建项目

打开cmd命令窗口，输入：scrapy startproject douban【新建一个爬虫项目】

在命令行输入：cd douban/spiders【进入spiders目录】

在命令行输入：scrapy genspider douban_spider movie.douban.com【douban_spider为爬虫文件，编写xpath和正则表达式的地方，movie.douban.com为允许的域名】

在pycharm打开创建的douban项目，目录结构如下：

二、明确目标

分析网站，确定要抓取的内容，编写items文件；

import scrapy

class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #序号
    serial_number = scrapy.Field()
    #电影名称
    movie_name = scrapy.Field()
    #电影简介
    introduce = scrapy.Field()
    #星级
    star = scrapy.Field()
    #评价数
    evaluate = scrapy.Field()
    #描述
    describe = scrapy.Field()

三、制作爬虫

编写douban_spider爬虫文件

# -*- coding: utf-8 -*-
import scrapy
from douban.items import DoubanItem

class DoubanSpiderSpider(scrapy.Spider):
    #爬虫名，不能跟项目名称重复
    name = 'douban_spider'
    #允许的域名，域名之内的网址才会访问
    allowed_domains = ['movie.douban.com']
    #入口url，扔到调度器里边
    start_urls = ['https://movie.douban.com/top250']
#默认解析方法
    def parse(self, response):
        #循环电影的条目
        movie_list = response.xpath("//div[@class='article']//ol[@class='grid_view']//li")
        for i_item in movie_list:
            #item文件导进来
            douban_item = DoubanItem()
            #写详细的xpath，进行数据的解析
            douban_item['serial_number'] = i_item.xpath(".//div[@class='item']//em/text()").extract_first()
            douban_item['movie_name'] = i_item.xpath(".//div[@class='info']//div[@class='hd']//a//span[1]/text()").extract_first()
            content= i_item.xpath(".//div[@class='info']//div[@class='bd']//p[1]/text()").extract()
            #多行结果需要进行数据的处理
            #douban_item['introduce'] = ''.join(data.strip() for data in content)
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item['introduce'] = content_s
            douban_item['star'] = i_item.xpath(".//div[@class='star']//span[@class='rating_num']/text()").extract_first()
            douban_item['evaluate'] = i_item.xpath(".//div[@class='star']//span[4]/text()").extract_first()
            douban_item['describe'] = i_item.xpath(".//p[@class='quote']//span/text()").extract_first()
            #将数据yield到piplines中
            yield douban_item
        #解析下一页规则，取的后一页的xpath
        next_link = response.xpath("//span[@class='next']//a//@href").extract()
        if next_link:
            next_link=next_link[0]
            #yield url到piplines中，回调函数callback
            yield scrapy.Request("https://movie.douban.com/top250"+next_link,callback=self.parse)

四、存储内容

将数据存储为JSON格式：scrapy crawl douban_spider -o test.json

将数据存储为CSV格式：scrapy crawl douban_spider -o test.csv【生成的CSV文件直接打开会是乱码，先利用Notepad++工具打开，编码格式改为utf-8保存再重新打开即可】

将数据保存到monogo数据库中：

# -*- coding: utf-8 -*-
import pymongo
mongo_db_collection
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html


class DoubanPipeline(object):
#创建数据库连接
    def __init__(self):
        host = '127.0.0.1'
        port = 27017
        dbname = 'douban'
        sheetname = 'douban_movie'
        client = pymongo.MongoClient(host=host, port=port)
        mydb = client[dbname]
        self.post = mydb[sheetname]
#插入数据

    def process_item(self, item, spider):
        data = dict(item)
        self.post.insert(data)
        return item

打开settings文件的USER_AGENT选项，删除里边内容，到网站找一个正确的USER_AGENT粘贴进来。【方法：打开豆瓣top50网站，按F12开发者选项，选择Network-All，刷新页面，选择top250，右侧Headers最下边即为USER_AGENT，如下图所示】

打开settings文件的ITEM_PIPELINES

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36

ITEM_PIPELINES = {
   'douban.pipelines.DoubanPipeline': 300,
}

设置启动文件

在douban文件下新建一个main.py文件，作为爬虫的启动文件，避免到命令窗口启动爬虫项目。

main文件内容如下：

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

来源：oschina

链接：https://my.oschina.net/u/4313186/blog/3533978

标签

def

crawl

Here

pymongo