Scrapy爬取豆瓣小组图片

最新推荐文章于 2020-12-09 07:13:25 发布
最新推荐文章于 2020-12-09 07:13:25 发布
阅读量263 收藏 2
点赞数
文章标签： python 爬虫 操作系统
原文链接：https://my.oschina.net/M97hQfT2SJQ/blog/1629257
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

狗年开工毫无工作心情，胡思乱想后决定爬取豆瓣上的一下信息打发时间，毕竟之前基本没接触过爬虫，还是挺感兴趣的。

Scrapy简介

首先简单介绍一下Scrapy爬虫框架，主要是架构方面，这方面能快速理解scrapy是如何工作的。

Scrapy的数据流由执行引擎（Engine）控制，其基本过程如下：

  1. 引擎从Spider中获取到初始Requests。
  2. 引擎将该Requests放入调度器，并请求下一个要爬取的Requests。
  3. 调度器返回下一个要爬取的Requests给引擎
  4. 引擎将Requests通过下载器中间件转发给下载器(Downloader)。
  5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
  6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
  7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
  8. 引擎将(Spider返回的)爬取到的Item交给ItemPipeline处理，将(Spider返回的)Request交给调度器，并请求下一个Requests（如果存在的话）。
  9. (从第一步)重复直到调度器中没有更多地Request。

使用Scrapy创建的项目架构如下

093520_dufo_2452605.png

其中：

  1. spider 文件夹编写自己的爬虫；
  2. settings.py 配置爬虫的默认信息，功能开关，中间件执行顺序等；
  3. middlewares.py 中间件，主要是对功能的拓展，添加自定义功能，比如user-agent和proxy
  4. item.py 定义抓取处理的字段
  5. piplines.py 管道文件，处理item

爬取豆瓣小组

豆瓣小组的帖子主要核心内容是图片，因此要按不同的帖子分类下载。

settings.py

设置了user-agent，指定了中间件和piplines

BOT_NAME = 'douban'

SPIDER_MODULES = ['douban.spiders']
NEWSPIDER_MODULE = 'douban.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'douban (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

MY_USER_AGENT = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
    ]
DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,
    'douban.middlewares.MyUserAgentMiddleware': 400,
}
COOKIES_ENABLES = True
DOWNLOAD_DELAY=1
ITEM_PIPELINES = {
   'douban.pipelines.DoubanPipeline': 1,
}

 

item.py

定义字段，包括作者，帖子名称，作者主页地址，图片地址

class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title=scrapy.Field()
    author=scrapy.Field()
    author_homepage=scrapy.Field()
    img_url=scrapy.Field()
    pass

 

middlewares.py

设置user-agent

class MyUserAgentMiddleware(UserAgentMiddleware):
    '''
    设置User-Agent
    '''

    def __init__(self, user_agent, ip):
        self.user_agent = user_agent
        self.ip=ip

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            user_agent=crawler.settings.get('MY_USER_AGENT')
            , ip=crawler.settings.get('PROXIES')
        )

    def process_request(self, request, spider):
        agent = random.choice(self.user_agent)
        request.headers['User-Agent'] = agent

spiders/douban_spider.py

爬虫的处理代码，先登录然后爬取，如果有验证码，下载图片然后输入验证码

import urllib

import scrapy
from scrapy import Request, FormRequest

from douban.items import DoubanItem
import json

class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['douban.com']

    start_urls = []

    def start_requests(self):
        yield Request("https://www.douban.com/login", callback=self.parse, meta={"cookiejar":1})

    def parse(self, response):
        captcha = response.xpath('//img[@id="captcha_image"]/@src').extract()
        if len(captcha)>0:
            print("此时有验证码")
            localpath = "E:/spider/douban/captchar.jpg"
            urllib.request.urlretrieve(captcha[0],filename=localpath)
            print("请查看本地验证码图片并输入验证码")
            captcha_value=input()

            data = {
                "form_email": "*******@126.com",
                "form_password": "*******",
                "captcha-solution": str(captcha_value),
                "redir": "https://www.douban.com/group/haixiuzu/discussion?start=0"  # 登录后要返回的页面
            }
        else:
            print("此时没有验证码")
            data = {
                "form_email": "nofree1990@126.com",
                "form_password": "8296926",
                # "redir": "https://www.douban.com/group/haixiuzu/discussion?start=0"  # 登录后要返回的页面
            }
        print("登陆中...")
        yield FormRequest.from_response(response,meta={"cookiejar": response.meta["cookiejar"]}, formdata=data, callback=self.parse_redirect)

    def parse_redirect(self, response):
        print("已登录豆瓣")
        title = response.xpath('//title//text()').extract()

        baseurl='https://www.douban.com/group/haixiuzu/discussion?start='
        for i in range(0, 625, 25):
            pageUrl=baseurl+str(i)
            yield Request(url=pageUrl, callback=self.parse_process,dont_filter = True)

    def parse_process(self, response):
        title = response.xpath('//title//text()').extract()
        items = response.xpath('//td//a/@href').extract()
        for item in items:
            if 'topic' in item:
                url=item
                yield Request(url=item,callback=self.parse_img)

    def parse_img(self,response):
        img = DoubanItem()
        title=response.xpath('//title//text()').extract()
        img['title']=title
        author=response.xpath('//div[@class="topic-doc"]//h3//a//text()').extract()
        img['author']=author
        author_homepage = response.xpath('//div[@class="topic-doc"]//h3//a/@href').extract()
        img['author_homepage'] = author_homepage
        img_url = response.xpath('//div[@class="image-wrapper"]//img/@src').extract()
        img['img_url'] = img_url
        yield img

 

piplines.py

在此保存帖子信息，没有使用自带的保存图片的类主要原因是不够灵活。

class DoubanPipeline(object):
    def process_item(self, item, spider):
        author=item["author"][0]
        title=item["title"][0].replace('\n','').strip()
        author_homepage=item["author_homepage"][0]
        #路径
        dir="E:/spider/douban/img/"
        if not os.path.exists(dir):
            os.mkdir(dir)
        author_dir=dir+title
        if not os.path.exists(author_dir):
            os.mkdir(author_dir)
        #用户信息txt
        info=open(author_dir+"/用户信息.txt", "w")
        info.write(author+'\n'+author_homepage)
        info.close()
        #保存图片
        count=1
        for url in item["img_url"]:
            path=author_dir+"/"+str(count)+".jpg"
            urllib.request.urlretrieve(url, filename=path)
            count += 1
        return item

 

爬虫结果

095654_AaSC_2452605.png

095739_bx5O_2452605.png

095752_foN5_2452605.png

 

遇到的问题

主要问题就是爬取太频繁而被禁止，登录豆瓣也是想减少被禁止概率，但是发现没什么用。网上有很多解决方案，还是要伪造一些user-agent，使用proxy代理。也爬取过一些proxy存到数据库中，但是proxy比较慢，遂放弃。

转载于:https://my.oschina.net/M97hQfT2SJQ/blog/1629257

weixin_34163741
关注
python爬取豆瓣小组_python爬取豆瓣小组700+话题加回复啦啦啦python open file with a variable name...
weixin_39830323的博客
12-07 299
需求：爬取豆瓣小组所有话题(话题title，内容，作者，发布时间)，及回复(最佳回复，普通回复，回复_回复，翻页回复，0回复)解决：1. 先爬取小组下，所有的主题链接，通过定位nextpage翻页获取总过700+条话题；2. 访问700+ 链接，在内页+start=0中，获取话题相关的四部分(话题title，内容，作者，发布时间)，及最佳回复、回复；3. 在2的基础上，判断是否有回复，如果有回复才...
使用Scrapy爬取豆瓣图片
濯君
05-31 748
使用Scrapy爬取豆瓣某影星的所有个人图片 以莫妮卡·贝鲁奇为例 一：首先我们在命令行进入到我们要创建的目录，输入 scrapy startproject banciyuan 创建scrapy项目 创建的项目结构如下 二：为了方便使用pycharm执行scrapy项目，新建main.py from scrapy import cmdline cmdline.execute("scrapy crawl banciyuan".split()) 再edit configuration 然后进行如下设
scrapy 爬取豆瓣小组列表
a1033479126的博客
06-19 754
首先先登录豆瓣，并获取登录后得cookes 首先重写start_requests方法 在里面设置cookes 并设置需要请求得网址和参数 然后开始爬取 我获得了数据保存在txt文件 ...
python3网络爬虫开发实战豆瓣_Python爬虫实战（4）：豆瓣小组话题数据采集—动态网页...
weixin_39790877的博客
11-24 313
1， 引言注释：上一篇《Python爬虫实战（3）：安居客房产经纪人信息采集》，访问的网页是静态网页，有朋友模仿那个实战来采集动态加载豆瓣小组的网页，结果不成功。本篇是针对动态网页的数据采集编程实战。Python开源网络爬虫项目启动之初，我们就把网络爬虫分成两类：即时爬虫和收割式网络爬虫。为了适应各种应用场景，GooSeeker的整个网络爬虫产品线包含了四类产品，如下图所示：本实战是上图中的“独立...
用Scrapy抓取豆瓣小组数据（二）
Yelbosh的专栏
03-19 2320
接着上篇博客《用Scrapy抓取豆瓣小组数据（一)》http://my.oschina.net/chengye/blog/124157 在scrapy中怎么让Spider自动去抓取豆瓣小组页面 1，引入Scrapy中的另一个预定义的蜘蛛CrawlSpider 1 from scrapy.contrib.spiders import CrawlSpid
用Scrapy抓取豆瓣小组数据（三)
Yelbosh的专栏
03-19 2822
接着上篇博客《用Scrapy抓取豆瓣小组数据（三)》，http://my.oschina.net/chengye/blog/124162 处理抓取的数据 我抓取了豆瓣一千多个小组的首页，获取的内容包括名称，成员数目，小组链接以及相关友情小组和推荐小组。Scrapy导出的数据格式可以是json/xml/csv等，我这边用了json格式，每个小组数据的格式如下：
Scrapy爬取豆瓣页面
cxylvping的博客
06-07 1292
1.在items.py中定义字段，这些字段用来保存数据，方便后续的操作 import scrapy class MovieItem(scrapy.Item): rank = scrapy.Field() # 排名 title = scrapy.Field() # 名称 score = scrapy.Field() # 评分 2.修改settings.p...
Python爬取豆瓣小组内的图片源码.zip
05-05
这里以豆瓣小组为例，对组内的图片进行爬取，相关信息保存数据到MongoDB，图片下载到本地。 通过一个实际的Python项目来学习如何使用scrapy爬取网络上的信息。这里以豆瓣小组为例，对组内的图片进行爬取，相关信息...
通过一个实际的项目，来学习如何使用scrapy爬取网络上的信息
06-10
5. **爬取豆瓣小组信息** 使用Scrapy的`start_requests()`方法定义从哪个URL开始爬取。在`parse()`方法中，使用XPath或CSS选择器定位到包含图片URL的元素，然后使用`yield Request()`发送请求，获取图片。 6. **...
scrapy框架实现豆瓣爬取热门短评
池边的树的博客
02-25 1767
最近流浪地球的话题非常热，于是我想做一篇关于流浪地球的影评分析。首先要获取数据，于是这两天学习了一下scrapy框架并简单地实现了豆瓣热门点评的爬取。 思路是这样： 获取评论页面 查看评论页面，根据页面能提供的内容确定爬取数据指标 分析评论页面，查看所需数据所在位置 实现单页面抓取 实现单页面存储 完善代码，爬取所有页面 一、获取评论页面 1、进入豆瓣电影网页，在搜索框中输入流浪地...
爬取豆瓣小组帖子的爬虫 .zip
03-23
爬虫（Web Crawler）是一种自动化程序，用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储，以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤： URL收集： 爬虫从一个或多个初始URL开始，递归或迭代地发现新的URL，构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页： 爬虫使用HTTP或其他协议向目标URL发起请求，获取网页的HTML内容。这通常通过HTTP请求库实现，如Python中的Requests库。 解析内容： 爬虫对获取的HTML进行解析，提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据，如文本、图片、链接等。 数据存储： 爬虫将提取的数据存储到数据库、文件或其他存储介质中，以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则： 为避免对网站造成过大负担或触发反爬虫机制，爬虫需要遵守网站的robots.txt协议，限制访问频率和深度，并模拟人类访问行为，如设置User-Agent。 反爬虫应对： 由于爬虫的存在，一些网站采取了反爬虫措施，如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用，包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而，使用爬虫需要遵守法律和伦理规范，尊重网站的使用政策，并确保对被访问网站的服务器负责。
python爬虫集(豆瓣电影、书籍、小组、相册、东西等)
11-07
豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python. PS: 哎, 八个月后自己尝试设计了下爬虫框架, 感觉doubanspiders代码简直糟蹋了Scrapy, 阿弥陀佛! 依赖服务 MongoDB 依赖包 pip install scrapy pip install pybloom pip install pymongo 运行豆瓣电影爬虫 进入douban/movie目录 执行scrapy crawl movie 运行豆瓣相册爬虫 进入douban/album目录 执行scrapy crawl album
doubanspiders-master豆瓣电影、书籍、小组、相册、东西等爬虫集.zip
06-05
豆瓣电影、书籍、小组、相册、东西等爬虫集，python代码
douban_scrapy
06-18
爬取豆瓣上的top250电影，入门scrapy很简单的例子。
基于Scrapy和MongoDB的豆瓣小组信息爬取设计源码
最新发布
04-16
系统以豆瓣小组为例，实现了对组内图片的爬取，并将相关信息保存到MongoDB数据库中，同时将图片下载到本地。通过该项目，开发者可以学习并实践Scrapy和MongoDB技术的应用，为后续的网络爬虫开发奠定基础。系统界面...
python爬豆瓣小组_【python爬虫】豆瓣小组成员列表信息
weixin_39804603的博客
12-09 1256
关于我们作者：python爱好者、自学ing个人网站 ：到哪儿找导航 欢迎访问！联系交流：QQ群726693257背景说明最近看爬虫教程，讲了豆瓣的爬取，此文作为练习记录。目标链接：https://www.douban.com/group/EmirKusturica/members?start=35查看方法：chrome中右键-查看网页源代码爬取方法：由于目标信息属于存放在html源代码中的静态信...
Python爬虫实战（4）：豆瓣小组话题数据采集—动态网页
一起学习Python网络爬虫
07-15 2951
注释：上一篇《Python爬虫实战（3）：安居客房产经纪人信息采集》，访问的网页是静态网页，有朋友模仿那个实战来采集动态加载豆瓣小组的网页，结果不成功。本篇是针对动态网页的数据采集编程实战。
python爬取豆瓣小组_Python模拟登入豆瓣网，并爬取小组信息
weixin_39627751的博客
12-07 373
importrequestsfrom bs4 importBeautifulSoupfrom PIL importImageheaders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36','Re...
用Scrapy抓取豆瓣小组数据
huaweitman的专栏
07-27 1477
http://my.oschina.net/chengye/blog/124157
用scrapy爬取豆瓣电影
06-13
好的，以下是使用Scrapy爬取豆瓣电影的步骤： 1.创建Scrapy项目 在命令行中输入以下命令，在指定位置创建一个名为douban_movie的Scrapy项目。 ``` scrapy startproject douban_movie ``` 2.编写Spider 在项目的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值