用了一周的时间总算搞定了,跨过了各种坑,总算调试成功了,记录如下:
1、首先在cmd中用命令行建立douban爬虫项目
scrapy startproject douban
2、我用的是pycharm,导入项目后,
1)在items.py中定义爬取的字段
items.py代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
|
# -*- coding: utf-8 -*-
import
scrapy
class
DoubanBookItem(scrapy.Item):
name
=
scrapy.Field()
# 书名
price
=
scrapy.Field()
# 价格
edition_year
=
scrapy.Field()
# 出版年份
publisher
=
scrapy.Field()
# 出版社
ratings
=
scrapy.Field()
# 评分
author
=
scrapy.Field()
# 作者
content
=
scrapy.Field()
|
2)在spiders文件夹下建立一个新的爬虫bookspider.py,爬取网页的代码都在这里写。
以下是爬虫bookspider.py代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
# -*- coding:utf-8 -*-
import
scrapy
from
douban.items
import
DoubanBookItem
class
BookSpider(scrapy.Spider):
name
=
'douban-book'
allowed_domains
=
[
'douban.com'
]
start_urls
=
[
'https://book.douban.com/top250'
]
def
parse(
self
, response):
# 请求第一页
yield
scrapy.Request(response.url, callback
=
self
.parse_next)
# 请求其它页
for
page
in
response.xpath(
'//div[@class="paginator"]/a'
):
link
=
page.xpath(
'@href'
).extract()[
0
]
yield
scrapy.Request(link, callback
=
self
.parse_next)
def
parse_next(
self
, response):
for
item
in
response.xpath(
'//tr[@class="item"]'
):
book
=
DoubanBookItem()
book[
'name'
]
=
item.xpath(
'td[2]/div[1]/a/@title'
).extract()[
0
]
book[
'content'
]
=
item.xpath(
'td[2]/p/text()'
).extract()[
0
]
# book_info = item.xpath("td[2]/p[1]/text()").extract()[0]
# book_info_content = book_info.strip().split(" / ")
# book["author"] = book_info_content[0]
# book["publisher"] = book_info_content[-3]
# book["edition_year"] = book_info_content[-2]
# book["price"] = book_info_content[-1]
book[
'ratings'
]
=
item.xpath(
'td[2]/div[2]/span[2]/text()'
).extract()[
0
]
yield
book
|
3)在settings.py文件中配置请求头及mongodb信息
from faker import Factoryf = Factory.create()USER_AGENT = f.user_agent()
DEFAULT_REQUEST_HEADERS = { 'Host': 'book.douban.com','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3','Accept-Encoding': 'gzip, deflate, br','Connection': 'keep-alive',}
1
2
3
4
|
<br data
-
filtered
=
"filtered"
>MONGODB_HOST
=
"127.0.0.1"
/
/
在本机调试就这个地址
MONGODB_PORT
=
27017
/
/
默认端口号
MONGODB_DBNAME
=
"jkxy"
/
/
数据库名字
MONGODB_DOCNAME
=
"Book"
/
/
集合名字,相当于表名
|
4)在pipelines.py中编写处理代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -*- coding: utf-8 -*-
# form scrapy.conf import settings 已经过时不用了,采用下面的方法引入settings
from
scrapy.utils.project
import
get_project_settings
/
/
因mongodb的host地址,端口号等都在settings中配置的,所以要把该文件导入进来。
settings
=
get_project_settings()
import
pymongo
/
/
导入mongodb连接模块
class
DoubanBookPipeline(
object
):
def
__init__(
self
):
host
=
settings[
"MONGODB_HOST"
]
/
/
从settings中取出host地址
port
=
settings[
"MONGODB_PORT"
]
dbname
=
settings[
"MONGODB_DBNAME"
]
client
=
pymongo.MongoClient(host
=
host,port
=
port)
/
/
创建一个MongoClient实例
tdb
=
client[dbname]
/
/
创建jkxy数据库,dbname
=
“jkxy”
self
.post
=
tdb[settings[
"MONGODB_DOCNAME"
]]
/
/
创建数据库集合Book,相当于创建表
def
process_item(
self
, item, spider):
info
=
item[
'content'
].split(
' / '
)
# [法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元
item[
'name'
]
=
item[
'name'
]
item[
'price'
]
=
info[
-
1
]
item[
'edition_year'
]
=
info[
-
2
]
item[
'publisher'
]
=
info[
-
3
]
bookinfo
=
dict
(item)
/
/
将爬取的数据变为字典
self
.post.insert(bookinfo)
/
/
将爬取的数据插入mongodb数据库
return
item
|
3、在cmd中进入douban项目spiders目录,输入scrapy runspiders bookspider.py,运行编写的爬虫
至此大功告成!
以下是在mongodb中爬取的数据图
感想:
1、pycharm不能直接建立scrapy项目,需要在cmd中用命令scrapy startproject douban建立,
2、同样,在pycharm中如果不配置的话,直接点运行也没有用(一开始不知道怎么回事,点了运行,提示成功了,但是数据库里啥东西也没有,后来上网查了才发现要在cmd中用scrapy命令才行),但也有文章说在pycharm中设置一下就可以运行了,但我没试成功。
3、网上查到的在cmd下先进入项目目录,用命令scrapy crawl 项目名,我就在cmd目录下用scrapy crawl douban,但我试了多次都不行。
以为是不是crawl命令不对,就在cmd下输入scrapy -h查看一下都有啥命令,里面没有crawl命令,但是有一个runspiders 命令,就尝试进入spiders目录,直接运行bookspider.py,至此终于成功。