Python爬虫之Scrapy框架系列（3）——项目实战【某瓣top250电影信息获取】

1. 某瓣电影top250首页电影信息的获取

1.创建项目：

scrapy startproject douban

2.创建爬虫文件：

scrapy genspider db www.summer.com

（注意：这个域名是可以随便写的【但是必须要写哦】等爬虫文件生成之后再更改为我们所需的即可）

# -*- coding: utf-8 -*-
import scrapy


class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['评论区有']
    start_urls = ['评论区有']

    def parse(self, response):
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print(response.text)

3.运行爬虫文件：

scrapy crawl db

但是我们运行之后发现又没有获取到数据哎

造成这样的原因是：回想爬虫的基础我们如果直接这样向网页发送请求进行爬取那服务端一眼就看到咱是scrapy了它还会理咱嘛？所以我们要设置请求头

4.设置请求头：

在配置文件settings.py中找到如下代码取消注释并加入爬取网页请求头的User-Agent即可

5.获取到电影名字：

到现在我们运行爬虫文件Scrapy框架已经可以获取到网页的首页数据。那么我们如何筛选出我们想要的电影的名字呢？
考虑到我们如果利用xpath匹配可能要多次尝试才能正确匹配到那就需要我们一次又一次的运行咱的项目多麻烦啊咱都这样想了人家大牛也这样想啊所以在这里有个贼帅贼帅的牛皮的方法：

5.1 使用shell交互式平台：

（注意1：它是遵循settings设置的；2：一定要到咱的项目文件夹下运行）

具体操作步骤如下：

• 首先：cd到我们项目的文件路径下。
• 然后：输入命令scrapy shell url (start_urls) 即可
  这样：它其实就请求到了此url的数据（跟上面运行爬虫文件得到的数据一模一样）

5.1.1 首先：打开我们的shell交互式平台。

• 在此项目的terminal中：输入命令scrapy shell 评论区的start urls

5.2.2 第二步：在shell交互式平台中匹配我们所需的电影数据。

• 输入：response.xpath('//div[@class="info"]/div/a/span[1]/text()')

会发现：这得到的是一个selector对象
而我们得到的数据就是用的response对象自带的xpath匹配到的（生成了response之后就会自动生成selector对象）
与我们正常用的xpath不同它获取到的数据在selector对象里如上图：

5.2.3 第三步：从selector对象中提取电影名字

使用selector对象的方法.extract()。这个方法可以提取到selector对象中data对应的数据。

response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()

6.将获取到的电影的信息存储到text文本中

注意：如果想要存储数据就要用到管道。
这就涉及到了items.py文件（定义结构化数据字段）和pipelines.py文件（管道文件）。

6.1 首先：操作items.py文件

• 因为我们只需要存储一个信息所以定义一个字段名即可

• 定义公共输出数据格式Scrapy提供了Item类。Item对象是用于收集剪贴数据的简单容器。它们提供了一个类似词典的API提供了一种方便的语法来声明它们的可用字段。 scray.Item对象是用于收集抓取数据的简单容器使用方法和python的字典类似。编辑项目目录下items.py文件。

• 然后我们只需要在爬虫中导入我们定义的Item类实例化后用它进行数据结构化。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #需要定义字段名  就像数据库那样有字段名才能插入数据（即存储数据）
    # Field代表的是字符串类型
    films_name=scrapy.Field()   #定义字段名

6.2 第二步：在爬虫文件中操作数据使其与管道建立桥梁

到目前为止我们通过scrapy写出的爬虫还看不出优越性在哪里并且上面的爬虫还有个很严重的问题就是对文件的操作。每次调用parse方法会打开文件关闭文件这极大的浪费了资源。parse函数在解析出我们需要的信息之后可以将这些信息打包成一个字典对象或scray.Item对象（一般都是item对象）然后返回。这个对象会被发送到item管道该管道会通过顺序执行几个组件处理它。每个item管道组件是一个实现简单方法的Python类。他们收到一个item并对其执行操作同时决定该item是否应该继续通过管道或者被丢弃并且不再处理。

item管道的典型用途是：

• 清理HTML数据
• 验证已删除的数据（检查项目是否包含某些字段）
• 检查重复项（并删除它们）
• 将已爬取的item进行数据持久化

# -*- coding: utf-8 -*-
import scrapy

from ..items import DoubanItem      #因为我们要使用包含定义字段名的类所以需要导入

class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['评论区']
    start_urls = ['评论区']

    def parse(self, response):
        # 获取电影信息数据
        films1_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()
        # 交给管道存储
        # 使用DoubanItem
        item=DoubanItem()  #创建对象
        item["films_name"]=films1_name      #值是个列表因为xpath匹配到的数据都扔到列表里了
        # item可以理解为一个安全的字典  用法与字典相同
        print("item里面是：",dict(item))  #可以转换为字典
        return item     #交给引擎  引擎要交给管道,需要打开管道

6.3 第三步：我们要将数据提交给管道所以需要打开管道

• 要激活这个管道组件必须将其添加到ITEM_PIPELINES设置中,在settings.py文件中:

(在此设置中为类分配的整数值决定了它们运行的顺序：按照从较低值到较高值的顺序进行。
注意：这个管道的目的只是介绍如何编写项目管道如果要将所有爬取的item存储到json文件中则应使用Feed导出在运行爬虫时加上如下参数：
scrapy crawl bd -o films.json)

6.4 第四步：现在数据已经可以交给管道那么管道就要对数据进行处理

就是操作pipelines.py文件

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

import json
class DoubanPipeline(object):
    def process_item(self, item, spider):
        #为了能写进text  json.dumps将dic数据转换为str
        json_str=json.dumps(dict(item),ensure_ascii=False)
        with open("films.text","w",encoding="utf-8") as f:
            f.write(json_str)
        return item

7.实现效果：