第二个Spider是抓上海的Top一万家餐厅的Shopid。
本文是第三个Spider,根据一个餐厅的Shopid,抓取它在某个月内的全部评论。
三个Spider的累加效果,就是抓取任意一个城市的TopN家餐厅的全部评论。第三个Spider修改一下,还可以做到只抓取某天的评论,只抓取某人的评论,从抓取的角度看就全齐了。
经过前两次的spider热身,这次做个复杂点的。
URLhttp://www.dianping.com/shop/2269717/review_more?pageno=1是一家餐厅点评的首页,pageno=1表示第1页,每条点评有用户id,点评时间。如果点评是在当前年份的,点评时间不写年份,否则有年份。最下方有分页数,它家的全部点评一共24页。
假如要抓取2014年7月的评论,流程是这样的:
1. 2014年7月有31天,也就是说说,要抓取的是日期从2014-0701到2014-0731。
2. 从http://www.dianping.com/shop/2269717/review_more?pageno=1到http://www.dianping.com/shop/2269717/review_more?pageno=24,抓取页面。
3. 如果pageno=1,抓取最底下的分页数,保存最大分页数。
3. 抽取点评,如果点评的创建日期没有年份,用当前年份补上。如果点评的创建日期在2014-0701到2014-0731之间就存储点评。如果在当前页面上,遇到一个点评的创建日期早于2014-0701,就不再抓取新的页面,因为下一页的点评都比要抓取的日期早。
4. 如果遇到403错误,暂停十分钟再继续抓,如果遇到404错误,不继续抓取,返回。
Spider的代码如下:
import datetime
import random
import time
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
class ShopreviewSpider(BaseSpider):
name = "shopreview_spider"
allowed_domains = ["dianping.com"]
start_urls = []
handle_httpstatus_list = [404,403]
def __init__(self):
"""
year_mon = '2014-04'
shopid = '2269717'
"""
self._shopid = "2269717"
self._thisyear_int = datetime.date.today().year
year_g = 2014
mon_g = 7
max_day = 31
self._min_date = datetime.date(year_g, mon_g, 1)
self._max_date = datetime.date(year_g, mon_g, max_day)
#set start url
self.pagno = 1
self.start_urls = ["http://www.dianping.com/shop/%s/review_more?pageno=%s" % (self._shopid,self.pagno)]
def parse(self, response):
if response.status == 403:
time.sleep(10*60)
yield Request(response.url,callback=self.parse,
headers={'Referer':'http://www.baidu.com/s?psid=sdafwewer'+str(1)})
elif response.status == 404:
print "\n\nmeet 404, mark shop fetched and return\n\n"
else:
hxs = HtmlXPathSelector(response)
#extract reviews
xs = hxs.select('//div[@class=\"comment-list\"]/ul/li')
generate_new_request = True
if len(xs) == 0:
print "len(xs) == 0"
generate_new_request = False
for x in xs:
reviewer = x.select('div[@class=\"pic\"]/a/@href').extract()[0].split('/')[-1]
review = x.select('div[@class=\"content\"]/div[@class=\"comment-txt\"]/div[@class=\"J_brief-cont\"]').extract()[0].strip()
reviewdate_t = x.select('div[@class=\"content\"]/div[@class=\"misc-info\"]/span[@class=\"time\"]/text()').extract()[0].split()[0]
reviewdate=""
if len(reviewdate_t) == 5:
reviewdate = ("%s"%(self._thisyear_int))+"-"+reviewdate_t
else:
reviewdate = "20"+reviewdate_t
rd1,rd2,rd3 = reviewdate.split('-')
dd = datetime.date(int(rd1), int(rd2), int(rd3))
if dd < self._min_date:
generate_new_request = False
elif dd >= self._min_date and dd <= self._max_date:
print "----------------"
print reviewdate
print reviewer
print review
else:
pass
xs = hxs.select('//a[@class=\"PageLink\"]')
num_page_link = len(xs)
max_pages = -1
if num_page_link > 0:
max_pages = max( [int(x.select("text()").extract()[0]) for x in xs] )
if generate_new_request:
self.pagno += 1
if num_page_link == 0 or self.pagno > max_pages:
pass
else:
new_url = "http://www.dianping.com/shop/%s/review_more?pageno=%s" % (self._shopid, self.pagno)
rand_int = random.randint(1,999999)
yield Request(new_url, callback=self.parse,
headers={'Referer':'http://www.baidu.com/s?psid=sdafwewer'+str(rand_int)})
这个spider在/tmp/scrapy-test/crawdp/crawdp/spiders/shopreview_spider.py。
在/tmp/srcapy-test/crawdp目录下运行"scrapy crawl shopreview_spder",效果是这样的:
----------------
2014-07-31
1198927
<div class="J_brief-cont">
这家店换了一家又一家<br>不知道什么时候才会消停<br>总体来说工作日中午的商务餐生意非常不错<br>没有特别的菜<br>总体感觉还不错
</div>
----------------
2014-07-29
1942230
<div class="J_brief-cont">
给孩子庆祝六一节,住附近酒店,经点评研究发现了这家店,在5点差1分钟的时候要求点下午茶套餐,被接受了!呵呵<br>环境很港式,下午茶不错!
</div>
----------------
2014-07-29
428660
<div class="J_brief-cont">
荷叶饭很不错。铁板鱿鱼也很不错。
</div>
----------------
2014-07-24
57148861
<div class="J_brief-cont">
金桔柠檬甜甜的但是我比较喜欢酸的 很多菜看起来都很好吃 服务态度好 环境简单干净 两个人早茶吃了117
</div>
----------------
2014-07-20
5186406
<div class="J_brief-cont">
是地道的港式餐厅,口味正宗,菜式多样,还经常推陈出新,经常去会有惊喜
</div>
----------------
2014-07-14
1836211
<div class="J_brief-cont">
这家店的分数说实话,以我个人的看法,是偏低了,这种店如果放在我以前住的五毛厂周围,完暴万达广场内的那些难吃的店了,煲仔饭尤其推荐。
</div>
----------------
2014-07-13
10365
<div class="J_brief-cont">
纯粹是 为了到隔壁的虾满堂买小龙虾才来的,隔壁龙虾店5点不到不开业,只得在这家店歇歇脚,点了一份 下午茶套餐,奶茶+鱼蛋肠粉,味道很地道,旁边几桌的 顾客都说广东话应该这家店满正宗的,不好的地方就是一楼好像是吸烟区,坐在里面被动吸二手烟了。
</div>
----------------
2014-07-08
48406752
<div class="J_brief-cont">
炸鲜奶很好吃,各色菜品量很大,晚上去的环境很不错,值得推荐!
</div>
----------------
2014-07-03
57580045
<div class="J_brief-cont">
翔记生蚝考的味道还可以,我和同事有时会去吃吃,环境一般,服务一般,
</div>
----------------
2014-07-02
14718103
<div class="J_brief-cont">
服务员态度绝对点赞。海鲜粥,烧得有点小胡,还算鲜,干贝有点太咸。滑鸡煲,有很多脆脆得藕片,鸡挺嫩。萝卜牛肉煲,萝卜炖得可以。炸鲜奶,挺奇怪得一道菜,为什么甜甜得东西里头会有蒜味?
</div>
----------------
2014-07-01
36276873
<div class="J_brief-cont">
一家港式茶餐厅,看见很多人都直接点一份主食(炒河粉或炒米线之类)当晚饭。大厅挂着很大的电视在播粤语节目,邻桌就是一桌香港人在用餐。<br>很喜欢他家的白灵菇牛肉片,除了有一点点咸之外,白灵菇吃起来很饱满有筋道;招牌猪脚味道不错但只有五六个,还是略咸;有一道蔬菜凉菜的,不好吃,紫甘蓝都切好大片,而且芝麻酱不多,摆盘和以前吃的都不一样,端上来很大一盆其实并没有那么多,里面用料也一般;主食是排骨河粉,无功无过。<br>服务员态度都还不错。
</div>
Scrapy在处理<br>元素的时候,会有点小问题,所以点评的原文不得以要保留了<div>和<br>。