Scrapy使用案例——爬取豆瓣Top 250电影数据

Scrapy是一个基于Python的强大的开源网络爬虫框架，用于从网站上抓取信息。它提供了广泛的功能，使得爬取和分析数据变得相对容易。强大的数据提取工具，支持XPath和CSS选择器。简化的HTTP请求和响应处理。可配置的下载中间件，用于处理不同类型的请求。数据存储支持，包括JSON、CSV、XML等。并发请求管理，提高效率。

文章共2,453字 · 阅读需要大约9分钟

一键AI生成摘要，助你高效阅读

问答

python零基础入门小白

1321人浏览 · 2023-12-30 11:49:11

python零基础入门小白 · 2023-12-30 11:49:11 发布

文章目录

在这里插入图片描述

什么是Scrapy？

Scrapy是一个基于Python的强大的开源网络爬虫框架，用于从网站上抓取信息。它提供了广泛的功能，使得爬取和分析数据变得相对容易。Scrapy的特点包括：

强大的数据提取工具，支持XPath和CSS选择器。
简化的HTTP请求和响应处理。
可配置的下载中间件，用于处理不同类型的请求。
数据存储支持，包括JSON、CSV、XML等。
并发请求管理，提高效率。

创建Scrapy项目

要使用Scrapy来爬取网站，首先需要创建一个Scrapy项目。下面是创建一个名为douban_top250的Scrapy项目的步骤：

打开终端，导航到您想要创建项目的目录，并运行以下命令：

scrapy startproject douban_top250

cd douban_top250

创建一个用于爬取电影信息的Spider：

scrapy genspider douban_movie douban.com

现在，项目的基本结构已经创建，包括爬虫（Spider）模板文件。

编写Scrapy Spider

Spider是Scrapy项目中负责定义如何抓取信息的部分。需要编辑Spider文件，以指定要爬取的URL、如何处理响应和如何提取数据。

以下是一个示例Spider代码：

import scrapy
from douban_top250.items import DoubanTop250Item

class DoubanMovieSpider(scrapy.Spider):
    name = 'douban_movie'  # Spider的名称
    allowed_domains = ['douban.com']  # 允许爬取的域名
    start_urls = ['https://movie.douban.com/top250']  # 起始URL

    def parse(self, response):
        for movie in response.css('ol.grid_view li'):
            item = DoubanTop250Item()  # 创建一个DoubanTop250Item对象用于存储数据
            item['rank'] = movie.css('em::text').get()  # 提取电影排名
            item['title'] = movie.css('.title::text').get()  # 提取电影标题
            item['rating'] = movie.css('.rating_num::text').get()  # 提取电影评分
            item['link'] = movie.css('a::attr(href)').get()  # 提取电影链接
            yield item  # 返回Item以供后续处理

        next_page = response.css('.next a::attr(href)').get()  # 提取下一页的链接
        if next_page is not None:
            yield response.follow(next_page, self.parse)  # 继续爬取下一页

在这个Spider中，指定了Spider的名称（name）、允许的域名（allowed_domains）、起始URL（start_urls）以及如何解析响应的方法（parse）。使用CSS选择器来提取排名、标题、评分和链接等信息，并将它们保存到一个自定义的Item类中。

创建Item类

在Scrapy中，Item是用来定义要提取的数据结构的类。在的项目中，创建了一个DoubanTop250Item类，用于定义电影信息的数据结构。以下是Item类的代码：

import scrapy

class DoubanTop250Item(scrapy.Item):
    rank = scrapy.Field()
    title = scrapy.Field()
    rating = scrapy.Field()
    link = scrapy.Field()

在这个类中，定义了四个字段：排名（rank）、标题（title）、评分（rating）和链接（link）。这些字段将用于存储从网页上提取的数据。

配置数据存储

Scrapy允许您配置不同的数据存储选项，包括JSON、CSV、XML等格式。我选择将数据保存为JSON文件。

在项目的设置中，配置了FEEDS设置，以指定JSON文件的保存位置和格式：

FEEDS = {
    'douban_top250.json': {
        'format': 'json',
        'encoding': 'utf-8',
    },
}

这将数据以JSON格式保存到名为douban_top250.json的文件中。

运行Scrapy爬虫

一旦编写好Spider和Item类，并配置好数据存储选项，就可以运行Scrapy爬虫来抓取豆瓣Top 250电影数据了。运行以下命令：

scrapy crawl douban_movie

Scrapy将开始访问豆瓣电影网站的页面，抓取数据并保存为JSON文件。

拿到的数据如图：

WX20231025-170101@2x.png

处理常见问题

在爬取网站数据时，可能会遇到各种常见问题，如请求限制、页面解析问题和网络连接问题。以下是一些处理这些问题的一般指导：

请求限制：如果您遇到HTTP状态码403（禁止访问）或其他请求限制问题，可以尝试设置合适的User-Agent、使用IP代理、限制请求速度以及尊重网站的robots.txt规则。

本次遇到的问题： DEBUG: Crawled (403) <GET https://movie.douban.com/top250> (referer: None)

解决方案： User-Agent设置：尝试在Scrapy中设置一个常见的浏览器User-Agent，以使请求看起来更像是由浏览器发出的。这可以通过在Spider中添加USER_AGENT设置来完成，如下： USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
页面解析问题：在编写Spider时，确保您的选择器和规则正确。经常检查网站的HTML结构，以适应可能的更改。
网络连接问题：网络连接问题可能会导致请求超时或失败。确保您

的网络连接稳定，使用合理的超时设置，以及适当处理连接异常。

结论

使用Scrapy爬取豆瓣Top 250电影数据是一个很好的示例，展示了如何创建一个功能强大的网络爬虫，用于从网站上抓取数据。在本文中，涵盖了创建Scrapy项目、编写Spider、数据提取、保存为JSON文件以及处理常见问题的方方面面。Scrapy为爬虫开发者提供了强大的工具，使得数据抓取变得更容易。

源码已上传到Github：[github.com/SteamPunkMa…]