【图文详解】scrapy安装与真的快速上手——爬取豆瓣9分榜单

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………现在scrapy的安装真的很简单的好不好！

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

为什么要用scrapy

我之前讲过了requests，也用它做了点东西，(【图文详解】python爬虫实战——5分钟做个图片自动下载器）感觉它就挺好用的呀，那为什么我还要用scrapy呢？

因为：它！更！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

 

 

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

 

 

打开pycharm，新建打开这个文件夹

关于pytharm的安装配置：Pycharm的配置和使用

 

 

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）

 

 

输入

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

 

 

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

 

 

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）

 

 

运行一下，发现没打印东西，看看，原来是403

 

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'

 

 

我们再运行，发现网页内容已经被爬取下来了

 

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，这里不细讲怎么找信息的过程了，具体过程，参考上一个教程【图文详解】python爬虫实战——5分钟做个图片自动下载器

 

 

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

 

 

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。

 

 

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

 

 

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

 

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()

 

 

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

 

dbbook.py修改

其实也就加了3条命令，是把数据写入item

 

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

 

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，

 

保存编码为utf-8包含bom，或者用gvim打开：set fileencoding=gbk

 

 

再打开，就正常了

 

 

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。

 

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：

 

 

这里要加一个判断，因为在最后一页，“后一页”的链接就没了。

 

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。

 

 

我们打开csv，可以看见，有345篇文章了，和豆瓣上一致。

 

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

 

posted @ 2016-04-23 17:40  voidsky  阅读(1449)  评论(3)  编辑  收藏  举报