scrapy框架实现豆瓣电影top250

Scrapy 是用纯 Python 实现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，用户只需要定制开发几个模块就可以实现一个网络爬虫程序，其采用了异步通讯的方式可以快速进行数据爬取。在python爬取豆瓣电影Top250我们实现了使用requests模块爬取电影信息，今天使用scrapy框架实现这一需求，体验一下scrapy框架的简洁性和快速性。

如果还没有安装scrapy框架，可以浏览一下python安装scrapy实现安装。

1.新建项目

在开始爬取之前，必须创建一个新的 Scrapy 项目。进入自定义的目录中，运行下列命令：

 scrapy startproject douban

project 名称可以自定义，但是不能以数字开头。

然后会生成一个douban文件夹，我们进入到这个文件夹，运行下面的命令生成一个爬虫：

cd douban
scrapy genspider doubanspider douban.com

注：爬虫名不能和项目名相同。

然后我们通过pycharm打开这个项目，了解一下这个框架：

scrapy.cfg：项目的配置文件
douban/：项目的 Python 模块，将会从这里引用代码
douban/items.py：项目的目标文件，一般不用更改
douban/pipelines.py：项目的管道文件,一般在数据输出、保存、分析时使用
douban/settings.py：项目的设置文件，根据需要进行设置
douban/spiders/：存储爬虫代码目录，完成数据请求和解析

2.爬取和保存数据

爬取和解析数据

通过在douban/spiders/doubanspider.py编写代码实现，这个文件下初始只定义了一个类，类名为我们生成的爬虫名+Spider，下面的name就是我们生成的爬虫名，allowed_domains是允许爬取的域名，start_urls是最开始爬取的网站，它的响应结果会固定返回给parse函数进行解析。有一点要明确的是这个系统自动生成的parse函数是不可以改名的，当然我们可以定义其他的函数。

import scrapy
import reclass DoubanspiderSpider(scrapy.Spider):name = 'doubanspider'  # 爬虫名称allowed_domains = ['douban.com']  # 允许爬取的域名start_urls = ['https://movie.douban.com/top250']  # 最开始爬取的网站def parse(self, response):item = {}re_path = '(\d*)'li_list = response.xpath('//*[@id="content"]/div/div[1]/ol/li')for li in li_list:item["_id"] = li.xpath('.//em/text()').extract_first()item["ZH_name"] = li.xpath('.//a/span[1]/text()').extract_first()item["notZH_name"] = li.xpath('.//a/span[2]/text()').extract_first().strip('\xa0|/')item["other_name"] = li.xpath('.//a/span[1]/text()').extract_first()item["score"] = li.xpath('./div/div[2]/div[2]/div/span[2]/text()').extract_first()number = li.xpath('./div/div[2]/div[2]/div/span[4]/text()').extract_first()item["number"] = re.compile(re_path).findall(number)[0]item["info"] = li.xpath('./div/div[2]/div[2]/p[2]/span/text()').extract_first()yield item# 翻页next_url_partial = response.xpath('//*[@id="content"]/div/div[1]/div[2]/span[3]/a/@href').extract_first()if next_url_partial != None:next_url = 'https://movie.douban.com/top250' + next_url_partialyield scrapy.Request(next_url, callback=self.parse)

上面的解析方法使用的是xpath，这个已经没什么好说的了，我想说明一下上面代码的三个地方。

第一个是extract_first()：我们需要提取出xpath匹配的信息，可以使用extract函数，它返回的是一个所有对应信息的列表，而一般情况下我们需要的往往是列表内的第一个字符串内容，这是就可以使用extract_first()，它返回的是一个字符串。

第二个是为什么item要使用字典类型？因为我们需要使用mongodb保存数据，使用字典类型很合适，更为重要的是yield能够返回的数据类型有限，具体能返回哪几种可以百度一下，反正是不能返回列表的，字典可以，还可以是爬虫请求得到的响应对象，这在上面的最后一行代码得到了体现。

第三个是yield，和return类似，只不过返回的是一个生成器，可以节省内存。yield item会将item返回给pipelines.py，我们可以在这个python文件下实现数据处理。下面我会会使用到它来保存数据到数据库。yield scrapy.Request(next_url, callback=self.parse)会将next_url请求到的响应返回给parse进行解析，所以要设置callback。

保存数据

上面爬取并解析的数据通过yield传给了pipelines.py，所以我们在这里编写保存数据的代码。

import pymongo# 连接到mongodb数据库
client = pymongo.MongoClient("mongodb://127.0.0.1:27017",username='admin',password='admin123')
# 创建一个豆瓣数据库，并在其下建立一个集合movie_top250
collection = client['douban']['movie_top250']class DoubanPipeline:# 这个process_item和parse一样不可修改名称def process_item(self, item, spider):# 写入数据库collection.insert_one(item)return item

3.settings.py的设置

1.设置日志等级,只显示WARNING及以上级别，加入下面代码：

LOG_LEVEL = "WARNING"

2.设置UA伪装，取消USER_AGENT的注释，改成你要设置的USER_AGENT：

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36 Edg/88.0.705.74'

3.打开管道，取消ITEM_PIPELINES的注释

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

如果有多个管道，可以在这个字典里添加键值对，值表示优先级，值越小，优先级越高，数据会优先通过该管道进行处理。

4.启动爬虫并查看结果

终端运行下列代码启动爬虫：

cd C:\Users\woniu\Desktop\python\scrapy案例\douban
scrapy crawl doubanspider

查看结果：

5.scrapy shell的使用

运行下面的代码：

cd C:\Users\woniu\Desktop\python\scrapy案例\douban
scrapy shell https://movie.douban.com/top250

启动 Scrapy Shell 后，会有一个包含本地的 response 的数据变量，输入 response.body 会得到返回的数据包体，输入 response.xpath() 或 response.css() 对数据进行过滤查询。

我们可以使用shell非常方便地进行代码的调试。输入exit可以退出shell界面。

不得不承认，scrapy初学起来确实很容易被劝退，单单是几个模块就足以让人头晕目眩，我也被劝退了好几回，这次下定决心学下去。如果搞不懂其运行的原理，不妨也动手写一个入门级的爬虫，我相信你也会有不少的感悟（当然我也仅仅才入门）。愿看到这里的朋友能够变得更强，再会~~~