Scrapy入门实例(使用Scrapy抓取豆瓣电影top250榜单）

项目地址：https://github.com/yuanfuzhi/ScrapyDemo.git

一 Scrapy介绍与安装

1， Scrapy介绍

Scrapy是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。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了

页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

2， Scrapy安装

①使用pip安装

pip install scrapy

网上有很多安装Scrapy的教程，这里不多解释，但不推荐这种安装方式，因为Scrapy依赖一些包，如果你的电脑上没有的话，使用pip安装会出现问题，比较麻烦。推荐使用下面的安装方式

②使用Anaconda安装scrapy

Anaconda是一个开源的包、环境管理神器，不多解释，先从官网下载安装Anaconda，然后傻瓜式点next安装，装好之后打开命令行，输入conda install scrapy，然后根据提示按Y，就会将Scrapy及其依赖的包全部下载下来，十分好用。

测试scrapy是否安装成功：在dos窗口输入scrapy回车

另外附上Anaconda常用指令：https://www.cnblogs.com/yfz1552800131/p/9796503.html

3， Scrapy项目结构

scrapy.cfg: 项目配置文件。

settings.py: 该文件定义了一些设置，如用户代理，爬取延时等(详见: https://doc.scrapy.org/en/latest/topics/settings.html)。

items.py: 该文件定义了待抓取域的模型(详见: http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/tutorial.html#item)。

pipelines.py: 该文件定义了数据的存储方式(处理要抓取的域)，可以是文件，数据库或者其他(详见: http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/item-pipeline.html)。

middlewares.py: 爬虫中间件，该文件可定义随机切换ip或者用户代理的函数(详见: http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/spider-middleware.html)。

spiders: 该目录下存储实际的爬虫代码(详见: http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/spiders.html)。

二，Scrapy项目实战

①新建项目:使用pycharm工具在终端中输入：scrapy startproject douban 新建一个爬虫项目，然后cd douban 进入项目根目录

然后在终端输入命令：scrapy genspider douban_spider movie.douban.com生成douban_spider.py爬虫文件

②明确目标

入口URL：https://movie.douban.com/top250

抓取top250电影的序列号，电影名，介绍，星级，评价数，电影描述选项，在items.py文件中定义抓取的数据项：

③制作爬虫

在douban_spider.py爬虫文件编写具体的逻辑代码：

# -*- coding: utf-8 -*-
import scrapy

from ..items import DoubanItem
class DoubanSpiderSpider(scrapy.Spider):
    name = 'douban_spider'
    # 允许的域名
    allowed_domains = ['movie.douban.com']
    # 入口URL
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        movie_list = response.xpath("//div[@class='article']//ol[@class='grid_view']/li")
        #循环电影的条目
        for i_item in movie_list:
            #导入item，进行数据解析
            douban_item = DoubanItem()
            douban_item['serial_number'] = i_item.xpath(".//div[@class='item']//em/text()").extract_first()
            douban_item['movie_name'] =  i_item.xpath(".//div[@class='info']//div[@class='hd']/a/span[1]/text()").extract_first()
            #如果文件有多行进行解析
            content = i_item.xpath(".//div[@class='info']//div[@class='bd']/p[1]/text()").extract()
            for i_content in content:
                content_s ="".join( i_content.split())
                douban_item['introduce'] = content_s
            douban_item['star'] = i_item.xpath(".//span[@class='rating_num']/text()").extract_first()
            douban_item['evaluate'] = i_item.xpath(".//div[@class='star']//span[4]/text()").extract_first()
            douban_item['describe'] = i_item.xpath(".//p[@class='quote']/span/text()").extract_first()
            print(douban_item)
            yield  douban_item
        #解析下一页，取后一页的XPATH
        next_link = response.xpath("//span[@class='next']/link/@href").extract()
        if next_link:
            next_link = next_link[0]
            yield  scrapy.Request("https://movie.douban.com/top250"+next_link,callback=self.parse)