正文内容

爬虫进阶之Scrapy（四） scrapy爬取豆瓣图书Top250下所有图书

栏目：Python 系列：scrapy爬虫系列发布时间：2019-12-10 14:57 浏览量：3471

本系列文章目录

展开/收起

本节通过使用scrapy爬取豆瓣图书top250下所有图书来介绍如何使用scrapy爬取多列表页的内容,以及介绍更多scrapy的用法

如图所示:

豆瓣图书列表页

豆瓣图书详情页

上图所示打了红色框框的就是要爬取的内容。

直接上代码:

scrapy startproject douban_books

items.py

# items.py :

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

class DoubanBooksItem(scrapy.Item):
    name = scrapy.Field()
    author = scrapy.Field()
    price = scrapy.Field()
    edition_time = scrapy.Field()
    publisher = scrapy.Field()
    ratings = scrapy.Field()

settings.py

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

BOT_NAME = 'douban_books'

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

DB_CONF={
    "host":"127.0.0.1",
    "user":"root",
    "password":"自己的数据库密码",
    "database":"test",
    "charset":"utf8"
}

ROBOTSTXT_OBEY = True

#设置默认header
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
}

#开启pipeline
ITEM_PIPELINES = {
   'douban_books.pipelines.DoubanBooksPipeline': 300,
}

bookspider.py

import scrapy
from douban_books.items import DoubanBooksItem

class BookSpider(scrapy.Spider):
    name = "douban_book"
    allowed_domain = ['douban.com']
    start_urls=['https://book.douban.com/top250']
    headers ={
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
    }

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url,callback=self.parse,headers=self.headers)

    # 一次性获取所有分页的URL
    def parse(self,res):
        #将初始页URL传到parseContent处理
        yield scrapy.Request(res.url,callback=self.parseContent)

        #将除了初始页的其他页面(第2~10页)的URL交给parseContent处理
        for page_url in res.xpath("//div[@class='paginator']/a/@href").extract():
            # print(page_url)
            yield scrapy.Request(page_url,callback=self.parseContent,headers=self.headers)

#PS:scrapy会自动过滤掉我们爬去过的页面，即自动URL去重，所以我们不用手动去重,除了初始url。

    def parseContent(self,res):
        for content in res.xpath("//tr[@class='item']"):
            item = DoubanBooksItem()  #这个容器必须放在循环中
            item['name']=content.xpath("td[2]/div[@class='pl2']/a/@title").extract_first()
            item['ratings']=content.xpath("td[2]/div[2]/span[@class='rating_nums']/text()").extract_first()
            book_info=content.xpath("td[2]/p[1]/text()").extract_first()
            book_info_list=book_info.strip().split(" / ")
            item['author']=book_info_list[0]
            item['publisher'] = book_info_list[-3]
            item['edition_time'] = book_info_list[-2]
            item['price'] = book_info_list[-1]

            yield item

上面有几个地方注意：
首先，这个网站会检测你是不是个浏览器，所以要加headers头伪装成浏览器
有两种方式，
第一种是在settings.py中添加一个：
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'

第二种是我们在spider文件中去添加，这种更灵活
首先我们要知道，start_requests方法，这个方法只会在请求start_urls的时候自动调用，但是在请求其他添加的url是不会调用这个的，
start_requests方法的源码如下：
def start_requests(self):
for url in self.start_urls:
yield Request(url, dont_filter=True)
里面的Request就是scrapy.Request()
Request相当于我们在requests模块中的请求方法requests.get()或者requests.post()

我们只要在spider中重写这个start_requests方法，在他的Request()方法中传入headers即可

因为他只有在请求初始url的时候才调用start_requests方法，所以请求分页的时候，scrapy.Request中也要传入headers

pipelines.py

import pymysql,scrapy,time,random
from scrapy.pipelines.images import ImagesPipeline

class DoubanBooksPipeline(object):
    def __init__(self):
        self.sql="insert into books (id,name,author,price,edition_time,publisher,ratings) values (%s,%s,%s,%s,%s,%s,%s) "
        self.data=[]

    def open_spider(self,spider):
        self.conn=pymysql.connect(**spider.settings.get('DB_CONF'))    #获取settings.py中的数据库配置
        self.cursor=self.conn.cursor(cursor=pymysql.cursors.DictCursor)

    def close_spider(self,spider):
        self.cursor.close()
        self.conn.close()

    def process_item(self,item,spider):
        self.cursor.execute(self.sql,(None,item['name'],item['author'],item['price'],item['edition_time'],item['publisher'],item['ratings']))

更多内容请关注微信公众号

如果您需要转载,可以点击下方按钮可以进行复制粘贴;本站博客文章为原创,请转载时注明以下信息

张柏沛IT技术博客 > 爬虫进阶之Scrapy（四） scrapy爬取豆瓣图书Top250下所有图书