Scrapy入门案例——爬取豆瓣电影

请谨记如下三条命令：

scrapy startproject xxx    创建scrapy项目
scrapy genspider xxx "xxx.com"  创建爬虫spider，名字不能和项目名一样
scrapy crawl xxx  运行某个爬虫项目

首先scrapy startproject douban 建立项目，其次切换到spiders目录下，scrapy genspider douban_movie 建立爬虫。

我们要爬取的数据很简单，是豆瓣电影排行榜。之所以说它简单是因为它请求返回的数据我们可以转换成规整的json列表，并且获取分页链接也很简单。

我们只获得title和url的信息。明确了请求目标后，我们开始编写items

import scrapy

class DoubanItem(scrapy.Item):
    title = scrapy.Field()
    url = scrapy.Field()

其次编辑spiders下的爬虫文件

# -*- coding: utf-8 -*-
import scrapy
from douban.items import DoubanItem
import json


class DoubanMovieSpider(scrapy.Spider):
    name = 'douban_movie'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action=&start=0&limit=20']
    offset = 0
    def parse(self, response):
        item = DoubanItem()
        content_list = json.loads(response.body.decode())
        if (content_list == []):
            return
        for content in content_list:
            item['title'] = content['title']
            item['url'] = content['url']
            yield item
        self.offset += 20
        url = 'https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action=&start='+str(self.offset) + '&limit=20'
        yield scrapy.Request(url=url,callback=self.parse)

response.body 获得数据是<class 'bytes'>型，我们需要转换为str型，response.body.decode()。然后通过json.loads()将字符串装换成json 列表，列表里的元素其实就是dict型。

然后保存数据，编辑pipelines.py

import json

class DoubanPipeline(object):
    def open_spider(self,spider):
        self.file = open("douban.json","w")
        self.num = 0
    def process_item(self, item, spider):
        self.num+=1
        content = json.dumps(dict(item),ensure_ascii=False)+'\n'
        self.file.write(content)
        return item
    def close_spider(self,spider):
        print('一共保存了'+str(self.num)+'条数据')
        self.file.close()

在运行前需要设置settings.py

#打开这两个注释：
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.15 Safari/537.36'  #模拟浏览器

ITEM_PIPELINES = {
   'douban.pipelines.DoubanPipeline': 300,
}   #编辑好管道要记得注册管道

#ROBOTSTXT_OBEY = True  注释掉robot协议，不然会报错

项目源码：
https://gitee.com/stefanpy/Scrapy_projects/tree/dev/douban

推荐Scrapy学习网站：http://www.scrapyd.cn/