【python爬虫】scrapy安装与真的快速上手——爬取豆瓣9分榜单识

2016-04-21   |     |     |  

写在开头

现在scrapy的安装教程都明显过时了,随便一搜都是要你安装一大堆的依赖,什么装python(如果别人连python都没装,为什么要学scrapy….)wisted, zope interface,pywin32,甚至还有要装lxml的。人家现在都是Python自带的了。现在scrapy的安装真的很简单的好不好!

为什么要用scrapy

我之前讲过了requests,也用它做了点东西,感觉它就挺好用的呀,那为什么我还要用scrapy呢?
因为:它!好!用!就这么简单,你只要知道这个就行了。

我相信所有能找到这篇文章的人多多少少了解了scrapy,我再copy一下它的特点来没太多意义,因为我也不会在这篇文章内深入提。就像你知道系统的sort函数肯定比你自己编的快排好用就行了,如果需要知道为什么它更好,你可以更深入的去看代码,但这里,你只要知道这个爬虫框架别人就专门做这件事的,肯定好用,你只要会用就行。

我希望每个来这里的人,或者每个在找资料的朋友,都能明确自己的目的,我也尽量将文章的标题取的更加的明确。如果这是一篇标题为《快速上手》的文章,那你可能就不要太抱希望于能在这篇文章里找到有关scrapy架构和实现原理类的内容。如果是那样,我可能会取标题为《深入理解scrapy》

好了废话说了那么多,我们就上手把?

安装scrapy

一条命令解决所有问题

pip install scrapy

好吧,我承认如果用的是windows一条命令可能确实不够,因为还要装pywin32

https://sourceforge.net/projects/pywin32/files/pywin32/

现在sourceforge变的很慢,如果你们不能打开,我在网盘上也放一个64位的,最新220版本的:
链接: http://pan.baidu.com/s/1geUY6Dd 密码: z2ep

然后就结束了!!结束了!!好不好!就这么简单!

豆瓣读书9分书榜单爬取

我们考虑下做一个什么爬虫呢?简单点,我们做一个豆瓣读书9分书:https://www.douban.com/doulist/1264675/

建立第一个scrapy工程

把scrapy命令的目录加入环境变量,然后输入一条命令

scrapy startproject doubanbook

Alt text

然后你的目录下就有一个文件夹名为doubanbook目录,按照提示,我们cd进目录,然后按提示输入,这里我们爬虫取名为dbbook,网址就是上面的网址

Alt text

##打开pycharm,新建打开这个文件夹

Alt text

打开后,我们在最顶层的目录上新建一个python文件,取名为main,这是运行的主程序(其实就一行代码,运行爬虫)

Alt text

输入

from scrapy import cmdline
cmdline.execute("scrapy crawl dbbook".split())

Alt text

然后我们进入spider-dbbook,然后把start_urls里面重复的部分删除(如果你一开始在命令行输入网址的时候,没输入http://www.那就不用改动)然后把allowed_domains注掉
并且,把parse里面改成print response.body
Alt text

好了,到此第一个爬虫的框架就搭完了,我们运行一下代码。(注意这里选择main.py)

Alt text

运行一下,发现没打印东西,看看,原来是403
Alt text

说明爬虫被屏蔽了,这里要加一个请求头部,模拟浏览器登录

在settings.py里加入如下内容就可以模拟浏览器了

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:45.0) Gecko/20100101 Firefox/45.0'

Alt text

我们再运行,发现网页内容已经被爬取下来了
Alt text

好了,我们的scrapy教程结束!

如果真这样结束,我知道你会打我。。

编写xpath提取标题名和作者名

这里我们就要得分,标题名和作者名
观察网页源代码,用f12,我们可以快速找到
Alt text

根据先大后小的原则,我们先用bd doulist-subject,把每个书找到,然后,循环对里面的信息进行提取

Alt text

提取书大框架:

'//div[@class="bd doulist-subject"]'

提取题目:

    'div[@class="title"]/a/text()'

提取得分:

'div[@class="rating"]/span[@class="rating_nums"]/text()'

提取作者:(这里用正则方便点)

'<div class="abstract">(.*?)<br'

编写代码

经过之前的学习,应该很容易写出下面的代码吧:作者那里用正则更方便提取

        selector = scrapy.Selector(response)
        books = selector.xpath('//div[@class="bd doulist-subject"]')
        for each in books:
            title = each.xpath('div[@class="title"]/a/text()').extract()[0]
            rate = each.xpath('div[@class="rating"]/span[@class="rating_nums"]/text()').extract()[0]
            author = re.search('<div class="abstract">(.*?)<br',each.extract(),re.S).group(1)
            print '标题:' + title
            print '评分:' + rate
            print author
            print ''

关键这个代码在哪里编写呢?答案就是还记得大明湖……不对,是还记得刚才输出response的位置吗?就是那里,那里就是我们要对数据处理的地方。我们写好代码,这里注意:

  1. 不是用etree来提取了,改为scrapy.Selector了,这点改动相信难不倒聪明的你
  2. xpath如果要提取内容,需要在后面加上.extract(),略为不适应,但是习惯还好。

Alt text

我们看看结果,不好看,对于注重美观的我们来说,简直不能忍

Alt text

加入两条代码:

 title = title.replace(' ','').replace('\n','')
            author = author.replace(' ','').replace('\n','')

再看看结果,这才是我们想要的嘛
Alt text

好了,剩下的事情就是如何把结果写入文件或数据库了,这里我采用写入文件,因为如果是写入数据库,我又得花时间讲数据库的一些基本知识和操作,还是放在以后再说吧。

items.py

好了,我们终于要讲里面别的.py文件了,关于这个items.py,你只要考虑它就是一个存储数据的容器,可以考虑成一个结构体,你所有需要提取的信息都在这里面存着。

这里我们需要存储3个变量,title,rate,author,所以我在里面加入三个变量,就这么简单:

    title = scrapy.Field()
    rate = scrapy.Field()
    author = scrapy.Field()

Alt text

pipelines.py

一般来说,如果你要操作数据库什么的,需要在这里处理items,这里有个process_item的函数,你可以把items写入数据库,但是今天我们用不到数据库,scrapy自带了一个很好的功能就是Feed exports,它支持多种格式的自动输出。所以我们直接用这个就好了,pipelines维持不变

settings.py

Feed 输出需要2个环境变量:

FEED_FORMAT :指示输出格式,csv/xml/json/
FEED_URI : 指示输出位置,可以是本地,也可以是FTP服务器

FEED_URI = u'file:///G://douban.csv'
FEED_FORMAT = 'CSV'

FEED_URI改成自己的就行了
Alt text

dbbook.py修改

其实也就加了3条命令,是把数据写入item
Alt text

当然,你要使用item,需要把item类引入

from doubanbook.items import DoubanbookItem

下面的yield可以让scrapy自动去处理item

好拉,再运行一下,可以看见G盘出现了一个douban.csv的文件

用excel打开看一下,怎么是乱码
Alt text

没关系又是编码的问题,用可以修改编码的编辑器比如sublime打开一下,
Alt text

保存编码为utf-8包含bom

Alt text

再打开,就正常了

Alt text

爬取剩下页面

这还只保存了一个页面,那剩下的页面怎么办呢?难道要一个个复制网址??当然不是,我们重新观察网页,可以发现有个后页的链接,里面包含着后一页的网页链接,我们把它提取出来就行了。
Alt text

因为只有这里会出现标签,所以用xpath轻松提取

'//span[@class="next"]/link/@href'

然后提取后 我们scrapy的爬虫怎么处理呢?
答案还是yield,

yield scrapy.http.Request(url,callback=self.parse)     

这样爬虫就会自动执行url的命令了,处理方式还是使用我们的parse函数

改后的代码这样:

Alt text

这里要加一个判断,因为在最后一页,“后一页”的链接就没了。
Alt text

好了,我们再运行一下(先把之前的csv删除,不然就直接在后面添加了)可以发现,运行的特别快,十几页一下就运行完了,如果你用requests自己编写的代码,可以比较一下,用scrapy快很多,而且是自动化程度高很多。

Alt text

我们打开csv,可以看见,有345篇文章了,和豆瓣上一致。
Alt text

好了,这个豆瓣9分图书的爬虫结束了,相信通过这个例子,scrapy也差不多能上手,至少编写一般的爬虫是so easy了!

代码我放github上了,可以参考:https://github.com/hk029/doubanbook