scrapy爬取豆瓣電影數據的方法

小編給大家分享一下scrapy爬取豆瓣電影數據的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！

1.建立項目

執行如下命令建立scrapy爬蟲項目

scrapy startproject spider_douban

命令執行完成后，建立了spider_douban文件夾，目錄結構如下：

.
├── scrapy.cfg
└── spider_douban
   ├── __init__.py
   ├── items.py
   ├── middlewares.py
   ├── pipelines.py
   ├── settings.py
   └── spiders
       ├── douban_spider.py
       └── __init__.py

2.建立爬蟲數據模型

打開 ./spider_douban/items.py 文件，編輯內容如下：

import scrapy

class DoubanMovieItem(scrapy.Item):
    # 排名
    ranking = scrapy.Field()
    # 電影名稱
    movie_name = scrapy.Field()
    # 評分
    score = scrapy.Field()
    # 評論人數
    score_num = scrapy.Field()

3.新建爬蟲文件

新建 ./spiders/douban_spider.py 文件，編輯內容如下：

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+)人評價')[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)

爬蟲文件各部分功能記錄

douban_spider.py文件主要有幾部分構成。

導入模塊

from scrapy import Request
from scrapy.spiders import Spider
from spider_douban.items import DoubanMovieItem

Request 類用于請求要爬取的頁面數據
Spider 類是爬蟲的基類
DoubanMovieItem 是我們第一步建立的爬取數據模型

初始設置

基于spider類定義的爬蟲類DoubanMovieTop250Spider中，首先定義爬蟲的基本信息：

name：在項目中爬蟲的名稱，可以在項目目錄中執行scrapy list獲取已經定義的爬蟲列表
start_urls：是爬取的第一個頁面地址
headers：是向web服務器發送頁面請求的時候附加的user-agent消息，告訴web服務器是什么類型的瀏覽器或設備在請求頁面，對于不具備簡單反爬機制的網站，headers部分可以省略。

為了迷惑web服務器，一般會在爬蟲發送web請求的時候定義user-agent信息，這里有兩種寫法。

• header的第一種定義：    

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，這種寫法中，start_urls定義沒有了，轉而定義了start_requests函數，開始的url寫到了函數里。同時，定義了headers字典，在發送Request請求的時候，將headers字典一并發送。這種寫法簡單直觀，缺點是在一個爬蟲項目執行期間，所有請求都是一個User-Agent屬性。

• header的第二種定義：  

start_urls = {
       'https://movie.douban.com/top250'
    }

簡單、直接的定義start_urls屬性，而Request中的header屬性通過其他方法另外定義，容后再說。

parse處理函數

逐句分解說明

1.基于我們定義的DoubanMovieItem類創建item實例

item = DoubanMovieItem()

2.解析頁面 - 獲取內容框架

通過分析頁面源碼，我們能夠看到，頁面中的電影信息是保存在了<ol>標簽中，這個<ol>標簽有一個獨特的樣式表grid_view，而每一個單獨的電影信息保存在了<li>標簽中，下面代碼獲取class屬性為grid_view的<ol>標簽下的所有<li>標簽內容。

movies = response.xpath('//ol[@class="grid_view"]/li')

3.解析頁面 - 獲取分項

在每一個<li>標簽中，還有內部結構，通過xpath()解析，將每一項內容解析出來，賦值給item實例中的各個字段。通過查看movie.douban.com/top250頁面的源碼可以很容易找到這個標簽定義的內容。如果我們通過type()函數查看movies的變量類型，可以發現他的類型是<class 'scrapy.selector.unified.SelectorList'>。<ol>標簽中的每一個<li>標簽都是這個列表中的一項，那么就可以對movies做迭代。

首先看看<li>標簽中的頁面結構：

可以看到要提取數據的各部分所在標簽位置：

排名：class屬性為pic的<div>標簽下，，<em>標簽中...
電影名：class屬性為hd的<div>標簽下，<a>標簽中的第一個<span>標簽...
評分：class屬性為star的<div>標簽下，class屬性為rating_num的<span>標簽中...
評論人數：class屬性為star的<div>標簽下，<span>標簽中。由于使用了re正則表達式，所以沒有特別指定是哪一個<span>標簽。

回到代碼部分，對之前定義的movies做迭代，逐項獲取要抓取的數據。

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+)人評價')[0]
yield item

4.Url跳轉（翻頁）

如果到此為止，我們可以將https://movie.douban.com/top250頁面中的第一頁內容爬取到，但只有25項記錄，要爬取全部的250條記錄，就要執行下面代碼：

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)

首先通過xpath解析了頁面中后頁的鏈接，并賦值給next_url變量，如果我們當前在第一頁，那么解析后頁的鏈接就是?start=25&filter=。將解析的后頁鏈接與完整url連接形成完整的地址，再次執行Request()，就實現了對全部250條記錄的爬取。注意：通過xpath解析出的結果是列表，所以在引用的時候寫成next_url[0]。

4.處理隨機Head屬性（隨機User-Agent）

實現隨機的head屬性發送。主要改兩個文件：

settings.py

USER_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定義了一些瀏覽器user-agent屬性，網上有很多，可以找來直接加進去，需要注意的是有些user-agent信息是移動設備（手機或平板）的，如果不注意的話，可能請求到的數據與你看到的數據有較大差異；
DOWNLOADER_MIDDLEWARES定義了下載器中間件，它在發送頁面請求數據的時候被調用。

middlewares.py

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，每次發送請求數據，會在USER_AGENT_LIST中隨機選擇一條User-Agent記錄。

5.結果保存

編輯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 item

SpiderDoubanPipeline類是建立項目的時候自行建立的，為了保存文件，做了修改。

def from_crawler(cls, crawler):

• 如果存在，則調用此類方法從Crawler創建pipeline實例。它必須返回一個新的pipeline實例。抓取對象提供對所有Scrapy核心組件的訪問，如settings和signals; 這是pipeline訪問它們并將其功能掛接到Scrapy的一種方式。

在此方法中，定義了一個數據收集器(cls)的實例：‘pipeline’。

signals：Scrapy使用信號來通知事情發生。您可以在您的Scrapy項目中捕捉一些信號(使用 extension)來完成額外的工作或添加額外的功能，擴展Scrapy。雖然信號提供了一些參數，不過處理函數不用接收所有的參數 - 信號分發機制(singal dispatching mechanism)僅僅提供處理器(handler)接受的參數。您可以通過 信號(Signals) API 來連接(或發送您自己的)信號。

connect：鏈接一個接收器函數(receiver function) 到一個信號(signal)。signal可以是任何對象，雖然Scrapy提供了一些預先定義好的信號。

def spider_opened(self, spider):

• 當spider開始爬取時發送該信號。該信號一般用來分配spider的資源，不過其也能做任何事。該信號支持返回deferreds。

此方法中，創建了一個文件對象實例：savefile。

CsvItemExporter(savefile)：輸出 csv 文件格式. 如果添加 fields_to_export 屬性, 它會按順序定義CSV的列名.

def spider_closed(self, spider):

• 當某個spider被關閉時，該信號被發送。該信號可以用來釋放每個spider在 spider_opened 時占用的資源。該信號支持返回deferreds。

def process_item(self, item, spider):

• 每個item pipeline組件都需要調用該方法，這個方法必須返回一個 Item (或任何繼承類)對象， 或是拋出 DropItem 異常，被丟棄的item將不會被之后的pipeline組件所處理。

啟用pipeline

為了讓我們定義的pipeline生效，要在settings.py文件中，打開ITEM_PIPELINES注釋：

ITEM_PIPELINES = {
    'spider_douban.pipelines.SpiderDoubanPipeline': 300,
}

6.執行爬蟲

scrapy crawl douban_movie_top250

執行爬蟲能夠看到爬取到的數據。。。

如果之前pipeline部分代碼沒有寫，也可以用下面的命令，在爬蟲執行的時候直接導出數據：

scrapy crawl douban_movie_top250 -o douban.csv

增加-o參數，可以將爬取到的數據保存到douban.csv文件中。。

7.文件編碼的問題

我在linux服務器執行爬蟲，生成csv文件后，在win7系統中用excel打開變成亂碼。在網上找了一些文章，有的文章直接改變linux文件默認編碼，但是感覺這么做會對其他項目產生影響。最后選擇一個相對簡單的方式。按這幾步執行就可以：

1. 不要直接用excel打開csv文件。先打開excel，建立空白工作表。

2. 選擇數據選項卡，打開獲取外部數據中的自文本。

3. 在導入文本文件對話框中選擇要導入的csv文件。

4. 在文本導入向導 - 第1步中，設置文件原始格式為65001 : Unicode (UTF-8)

5. 繼續下一步選擇逗號分隔，就可以導入正常文本了。

看完了這篇文章，相信你對scrapy爬取豆瓣電影數據的方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！