本文實例講述了Python利用Scrapy框架爬取豆瓣電影。分享給大家供大家參考，具體如下：
Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架。 可以應用在包括數據挖掘，信息處理或存儲歷史數據等一系列的程序中。
通過Python包管理工具可以很便捷地對scrapy進行安裝，如果在安裝中報錯提示缺少依賴的包，那就通過pip安裝所缺的包
pip install scrapy
scrapy的組成結構如下圖所示
引擎Scrapy Engine，用于中轉調度其他部分的信號和數據傳遞
調度器Scheduler，一個存儲Request的隊列，引擎將請求的連接發送給Scheduler，它將請求進行排隊，但引擎需要時再將隊列中的第一個請求發送給引擎
下載器Downloader，引擎將請求Request鏈接發送給Downloader之后它就從互聯網上下載相應的數據，并將返回的數據Responses交給引擎
爬蟲Spiders，引擎將下載的Responses數據交給Spiders進行解析，提取我們需要的網頁信息。如果在解析中發現有新的所需要的url連接，Spiders會將鏈接交給引擎存入調度器
管道Item Pipline，爬蟲會將頁面中的數據通過引擎交給管道做進一步處理，進行過濾、存儲等操作
下載中間件Downloader Middlewares，自定義擴展組件，用于在請求頁面時封裝代理、http請求頭等操作
爬蟲中間件Spider Middlewares，用于對進入Spiders的Responses和出去的Requests等數據作一些修改
scrapy的工作流程：首先我們將入口url交給spider爬蟲，爬蟲通過引擎將url放入調度器，經調度器排隊之后返回第一個請求Request，引擎再將請求轉交給下載器進行下載，下載好的數據交給爬蟲進行爬取，爬取的數據一部分是我們需要的數據交給管道進行數據清洗和存儲，還有一部分是新的url連接會再次交給調度器，之后再循環進行數據爬取
首先在存放項目的文件夾內打開命令行，在命令行下輸入scrapy startproject 項目名稱，就會在當前文件夾自動創建項目所需的python文件，例如創建一個爬取豆瓣電影的項目douban，其目錄結構如下：
Db_Project/
scrapy.cfg --項目的配置文件
douban/ --該項目的python模塊目錄，在其中編寫python代碼
__init__.py --python包的初始化文件
items.py --用于定義item數據結構
pipelines.py --項目中的pipelines文件
settings.py --定義項目的全局設置，例如下載延遲、并發量
spiders/ --存放爬蟲代碼的包目錄
__init__.py
...
之后進入spiders目錄下輸入scrapy genspider 爬蟲名 域名，就會生成爬蟲文件douban.py文件，用于之后定義爬蟲的爬取邏輯和正則表達式等內容
scrapy genspider douban movie.douban.com
要爬取的豆瓣電影網址為 https://movie.douban.com/top250，其中的每個電影如下
我們要爬取其中的序號、名稱、介紹、星級、評論數、描述這幾個關鍵信息，因此需要在管道文件items.py中先定義這幾個對象，類似于ORM，通過scrapy.Field()方法為每個字段定義一個數據類型
import scrapy class DoubanItem(scrapy.Item): ranking = scrapy.Field() # 排名 name = scrapy.Field() # 電影名 introduce = scrapy.Field() # 簡介 star = scrapy.Field() # 星級 comments = scrapy.Field() # 評論數 describe = scrapy.Field() # 描述
打開之前在spiders文件夾下創建的爬蟲文件movie.py如下所示，以及自動創建了三個變量和一個方法，在parse方法中進行返回數據response的處理，我們需要在start_urls提供爬蟲的入口地址。注意爬蟲會自動過濾掉allowed_domains之外的域名，因此需要注意這個變量的賦值
# spiders/movie.py
import scrapy
class MovieSpider(scrapy.Spider):
# 爬蟲名
name = 'movie'
# 允許爬取的域名
allowed_domains = ['movie.douban.com']
# 入口url
start_urls = ['https://movie.douban.com/top250']
def parse(self, response):
pass
在進行數據爬取之前首先要設置一些網絡代理，在settings.py文件內找到USER_AGENT變量修改如下：
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0'
可以在命令行通過如下命令啟動名為douban的爬蟲：scrapy crawl douban，也可以編寫一個啟動文件run.py文件如下，運行即可
from scrapy import cmdline
cmdline.execute('scrapy crawl movie'.split())
接下來要對爬取到的數據進行過濾，通過Xpath規則可以使我們便捷地選中網頁中的指定元素，如下圖所示，每個電影條目都包裹在<ol class="grid_view">下的一個<li>標簽，因此通過xpath：//ol[@class='grid_view']/li 就選中了本頁面所有的電影條目?？梢酝ㄟ^谷歌瀏覽器的Xpath插件或者火狐瀏覽器的ChroPath獲得xpath值，在瀏覽器右鍵查看元素，彈出如下圖所示的開發者工具，其中最右邊就是ChroPath插件，它直觀地顯示了元素的Xpath值: //div[@id='wrapper']//li
爬蟲response對象的xpath()方法可以直接處理xpath規則字符串并返回對應的頁面內容，這些內容都是選擇器對象Selector，可以進一步作細化的內容選取，通過xpath選擇出其中的電影名字、簡介、評價、星級等內容，即之前在items.py文件中所定義的數據結構DoubanItem。循環遍歷每個電影列表從其中爬取到準確的電影信息，并保存為DoubanItem對象item，最后通過yield將item對象從Spiders返回到Item管道。
爬蟲除了從頁面提取Item數據之外還會爬取url鏈接從而形成下一頁的Request請求，如下圖所示為豆瓣頁面底部的下一頁信息，第二頁的參數為"?start=25&filter="，與網站地址https://movie.douban.com/top250拼接起來就可以得到下一頁面的地址。和上面一樣通過xpath提取該內容，如果不為空，則拼接得到的Request請求yield提交給調度器
最終的爬蟲movie.py文件如下
# -*- coding: utf-8 -*-
import scrapy
from items import DoubanItem
class MovieSpider(scrapy.Spider):
# 爬蟲名
name = 'movie'
# 爬取網站的域名
allowed_domains = ['movie.douban.com']
# 入口url
start_urls = ['https://movie.douban.com/top250']
def parse(self, response):
# 首先抓取電影列表
movie_list = response.xpath("http://ol[@class='grid_view']/li")
for selector in movie_list:
# 遍歷每個電影列表，從其中精準抓取所需要的信息并保存為item對象
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: # 將簡介放到一個字符串
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 # 將結果item對象返回給Item管道
# 爬取網頁中的下一個頁面url信息
next_link = response.xpath("http://span[@class='next']/a[1]/@href").extract_first()
if next_link:
next_link = "https://movie.douban.com/top250" + next_link
print(next_link)
# 將Request請求提交給調度器
yield scrapy.Request(next_link, callback=self.parse)
xpath選擇器
/表示從當前位置的下一級目錄進行尋找，//表示從當前位置的任意一級子目錄進行尋找，
默認從根目錄開始查找，. 代表從當前目錄開始查找，@后跟標簽屬性，text()函數代表取出文字內容
//div[@id='wrapper']//li 代表先從根目錄開始查找id為wrapper的div標簽，然后取出其下的所有li標簽
.//div[@class='pic']/em[1]/text() 代表從當前選擇器目錄開始查找所有class為pic的div之下的第一個em標簽，取出文字內容
string(//div[@id='endText']/p[position()>1]) 代表選取id為endText的div下第二個p標簽之后的所有文字內容
/bookstore/book[last()-2] 選取屬于 bookstore 子元素的倒數第3個 book 元素。
CSS選擇器
還可以使用css選擇器來選擇頁面內的元素，其通過CSS偽類的方式表達選擇的元素，使用如下
# 選擇類名為left的div下的p標簽中的文字
response.css('div.left p::text').extract_first()
# 選取id為tag的元素下類名為star元素中的文字
response.css('#tag .star::text').extract_first()
在運行爬蟲文件時通過參數-o指定文件保存的位置即可，可以根據文件后綴名選擇保存為json或者csv文件，例如
scrapy crawl movie -o data.csv
還可以piplines.py文件中對取得的Item數據作進一步操作從而通過python操作將其保存到數據庫中
有時為了應對網站的反爬蟲機制，需要對下載中間件進行一些偽裝設置，包括使用IP代理和代理user-agent方式，在middlewares.py文件中新建一個user_agent類用于為請求頭添加用戶列表，從網上查一些常用的用戶代理放入USER_AGENT_LIST列表，然后通過random函數從中隨機抽取一個作為代理，設置為reques請求頭的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) # 從上面列表中隨機抽取一個代理
request.headers['User_Agent'] = agent # 設置請求頭的用戶代理
在settings.py文件內設置開啟下載中間件即取消如下幾行的注釋，注冊代理類user_agent并設置優先級，數字越小優先級越高
更多關于Python相關內容可查看本站專題：《Python Socket編程技巧總結》、《Python正則表達式用法總結》、《Python數據結構與算法教程》、《Python函數使用技巧總結》、《Python字符串操作技巧匯總》、《Python入門與進階經典教程》及《Python文件與目錄操作技巧匯總》
希望本文所述對大家Python程序設計有所幫助。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
