Scrapy爬虫框架入门（豆瓣电影Top 250）

Scrapy 官网

• https://scrapy.org/

Scrapy 文档

• https://docs.scrapy.org/en/latest/

Github

• https://github.com/scrapy/scrapy/

Scrapy 简介

Scrapy 是一个强大的 Python 网络爬虫框架，用于从网站上抓取数据并进行处理。它提供了一套高效的工具和机制，让开发者能够轻松地创建、管理和扩展爬虫程序。

• 基于异步的框架： Scrapy 使用 Twisted 库作为其底层网络引擎，利用异步的方式实现了高效的网络请求和数据处理，能够同时处理多个请求，提高了爬取效率。

• 选择器： Scrapy 提供了类似于 jQuery 的 CSS 选择器和 XPath 选择器，使得开发者能够方便地从 HTML 页面中提取所需的数据。

• 管道（Pipeline）： Scrapy 的管道机制允许你定义一系列的操作来处理从网页中提取的数据，比如清洗、验证、存储到数据库等。

• 中间件（Middleware）： 中间件可以在请求和响应的处理过程中进行拦截和处理，提供了灵活的扩展和定制能力。

• 扩展性： Scrapy 提供了丰富的扩展接口，可以方便地添加自定义的功能和插件，满足不同场景的需求。

• 自动限速： Scrapy 自带了自动限速功能，可以避免对目标网站造成过大的压力，遵守网站的爬取规则。

• 内置调度器和去重： Scrapy 内置了调度器和去重器，能够有效地管理爬取过程中的请求队列和已经爬取的页面，确保数据的完整性和避免重复爬取。

项目结构

• scrapy.cfg： 这是 Scrapy 项目的配置文件，用于指定项目的设置和配置信息，比如项目名称、爬虫模块等。它是一个INI格式的文本文件。

• items.py： 这个文件定义了项目中用到的数据模型（Item）。数据模型用于定义要从网页中提取的字段，以及它们的类型和处理方式。它通常是一个类，继承自 Scrapy 的 Item 类。

• middlewares.py： 这个文件定义了项目中使用的中间件。中间件是在 Scrapy 请求和响应处理过程中拦截和处理的组件，用于修改请求或响应，实现自定义的功能。例如，可以在中间件中添加代理、设置 User-Agent 等。

• pipelines.py： 这个文件定义了项目中使用的管道（Pipeline）。管道用于处理从爬虫中提取的数据，可以执行一系列的操作，比如数据清洗、验证、存储到数据库等。它通常是一个类，继承自 Scrapy 的 Pipeline 类。

• settings.py： 这个文件包含了项目的设置和配置信息，比如爬虫的 User-Agent、下载延迟、管道设置等。你可以在这里修改 Scrapy 的默认配置，以适应你的项目需求。

  • USER_AGENT：设置用户代理字符串，用于模拟不同浏览器或设备发送请求。
  • ROBOTSTXT_OBEY：设置是否遵守 robots.txt 规则。robots.txt 是一个文件，指示爬虫应该访问哪些页面。
  • CONCURRENT_REQUESTS 和 CONCURRENT_REQUESTS_PER_DOMAIN：CONCURRENT_REQUESTS 设置同时发送的请求数量，而 CONCURRENT_REQUESTS_PER_DOMAIN 则限制对单个域名发送的并发请求数量。
  • DOWNLOAD_DELAY：设置下载延迟，即发送两个请求之间的等待时间，以防止过于频繁地请求网站。
  • COOKIES_ENABLED：设置是否启用 Cookies，用于保持登录状态或在网站间共享信息。
  • ITEM_PIPELINES：设置数据管道的组件，用于处理爬取到的数据，如存储到数据库、写入文件等。
  • AUTOTHROTTLE_ENABLED 和 AUTOTHROTTLE_START_DELAY：AUTOTHROTTLE_ENABLED 开启自动限速功能，AUTOTHROTTLE_START_DELAY 设置初始下载延迟。

• spiders/： 这个目录包含了项目中的爬虫模块。每个爬虫通常是一个单独的 Python 文件，用于定义爬取规则、处理响应和提取数据。你可以在这里创建和管理多个爬虫。

• init.py： 这个文件是 Python 包的初始化文件，用于标识该目录是一个 Python 包。

爬虫实现

免责声明： 本示例仅供技术交流学习，请遵守爬虫相关法律法规。

XPath 教程

• https://www.runoob.com/xpath/xpath-tutorial.html

XPath（XML Path Language）是一种用于在 XML 文档中定位节点的语言。它提供了一种简洁而强大的方式来选择 XML 文档中的特定部分，从而使得数据提取和文档导航变得更加容易和灵活。XPath 在 XML 文档中的应用非常广泛，同时也可以用于 HTML 文档的解析。

创建 Scrapy 项目

# 安装 Scrapy 库
pip3 install scrapy

# 创建 Scrapy 项目
scrapy startproject douban_top250
# 进入项目目录
cd douban_top250
# 创建 douban_movies.py 爬虫
scrapy genspider douban_movies movie.douban.com

配置用户代理

• https://movie.douban.com/top250

网页 dom 元素

• 编辑生成的 douban_top250/items.py

import scrapy

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

• 编辑生成的 douban_top250/spiders/douban_movies.py

import scrapy

from ..items import DoubanTop250Item

class DoubanMoviesSpider(scrapy.Spider):
    name = "douban_movies"
    allowed_domains = ["movie.douban.com"]
    start_urls = ["https://movie.douban.com/top250"]

    def parse(self, response):
        # 解析电影列表
        movies = response.xpath('//ol[@class="grid_view"]/li')
        for movie in movies:
            item = DoubanTop250Item()
            item['rank'] = movie.xpath('.//div[@class="pic"]/em/text()').get()
            item['pic'] = movie.xpath('.//div[@class="pic"]/a/img/@src').get()
            item['title'] = movie.xpath('.//div[@class="hd"]/a/span/text()').get()
            item['rating'] = movie.xpath('.//div[@class="star"]/span[2]/text()').get()
            item['link'] = movie.xpath('.//div[@class="hd"]/a/@href').get()
            yield item

        # 获取下一页的链接
        next_url = response.xpath('//span[@class="next"]/a/@href').extract()
        if next_url:
            next_url = 'https://movie.douban.com/top250' + next_url[0]
            yield scrapy.Request(next_url)

• 运行爬虫并将结果保存到文件

# 输出到 douban_movies.csv 文件
scrapy crawl douban_movies -o douban_movies.csv
# 输出到 douban_movies.csv 文件，日志输出到 douban_movies.log 文件
scrapy crawl douban_movies -o douban_movies.csv -s LOG_FILE=douban_movies.log
# 输出到 douban_movies.jsonl 文件
scrapy crawl douban_movies -o douban_movies.jsonl

• douban_movies.csv

注意： 为了避免被封禁或者影响网站性能，建议设置合理的下载延迟和 User-Agent，并遵守网站的爬取规则。

IP 代理池

IP代理池作用

1. 隐私保护：代理IP池可以隐藏用户的真实IP地址，确保用户在互联网上的匿名性。这对于一些需要保护个人隐私的用户或组织来说尤为重要。

2. 访问限制：代理IP池可以模拟不同的IP地址，使用户可以绕过一些地理位置或访问限制。例如，在某些地区限制访问的情况下，通过代理IP池可以实现对被封锁内容的访问。

3. 反爬虫：代理IP池可以防止网站对爬虫的屏蔽和限制。通过轮换使用不同的代理IP，可以规避被识别为爬虫的风险，确保爬取数据的稳定性和持续性。

配置IP代理池

• 编辑生成的 douban_top250/settings.py

# 暂时不使用IP代理池，请将值设置为 False
PROXY_ENABLED = True

# 设置代理 IP 池
PROXIES = [
    'http://19.89.12.8',
    'http://19.89.12.9',
    # 添加更多代理 IP
]

# 启用随机代理IP中间件
DOWNLOADER_MIDDLEWARES = {
   "douban_top250.middlewares.DoubanTop250DownloaderMiddleware": 543,
}

• 编辑生成的 douban_top250/middlewares.py

import random
from scrapy.exceptions import NotConfigured
import logging

logger = logging.getLogger(__name__)

class DoubanTop250DownloaderMiddleware(object):
    """
    随机选择代理 IP 并将其添加到请求的 meta 中
    """
    def __init__(self, proxies):
        self.proxies = proxies

    @classmethod
    def from_crawler(cls, crawler):
        if not crawler.settings.getbool('PROXY_ENABLED'):
            raise NotConfigured
        proxies = crawler.settings.getlist('PROXIES')
        logger.info("proxys: %s", proxies)
        return cls(proxies)

    def process_request(self, request, spider):
        # 从代理 IP 池中随机选择一个代理 IP 并添加到请求的 meta 中
        proxie = random.choice(self.proxies)
        logger.info("proxy: %s", proxie)
        request.meta['proxy'] = proxie

申请IP代理池