教你用scrapy框架爬取豆瓣读书Top250的书类信息

安装方法：Windows：在终端输入命令：pip install scrapy；mac：在终端输入命令：pip3 install scrapy，按下enter键,再输入cd Python，就能跳转到Python文件夹。接着输入cd Pythoncode，就能跳转到Python文件夹里的Pythoncode子文件夹。最后输入一行能帮我们创建Scrapy项目的命令：scrapy startproject douban，douban就是Scrapy项目的名字。按下enter键，一个Scrapy项目就创建成功了。

项目目标:

爬取豆瓣读书Top250的书名,出版信息和评分

目标url为:https://book.douban.com/top250?start=0
整个scrapy项目的结构，如下图

spiders是放置爬虫的目录。我们在spiders这个文件夹里创建爬虫文件,我们把这个文件命名为top250,大部分代码都需要在这个top250.py文件里编写。在top250.py文件里导入我们需要的模块:import scrapy , bs4
导入scrapy是我们要用创建类的方式写这个爬虫，我们所创建的类将直接继承scrapy中的scrapy.Spider类。这样，有许多好用属性和方法，就能够直接使用。

在Scrapy中，每个爬虫的代码结构基本都如下所示：

class DoubanSpider(scrapy.Spider): #定义一个爬虫类DoubanSpider,DoubanSpider类继承自scrapy.Spider类。
   name = 'douban'  #定义爬虫的名字，这个名字是爬虫的唯一标识。
   allowed_domains = ['book.douban.com']#定义允许爬虫爬取的网址域名（不需要加https://）。如果网址的域名不在这个列表里，就会被过滤掉。allowed_domains就限制了，我们这种关联爬取的URL，一定在book.douban.com这个域名之下，不会跳转到某个奇怪的广告页面。
   start_urls = ['https://book.douban.com/top250?start=0']#定义起始网址，就是爬虫从哪个网址开始抓取

def parse(self, response):#parse是Scrapy里默认处理response的一个方法，中文是解析。
       print(response.text)
#这里我们并不需要写类似requests.get()的语句,scrapy框架会为我们代劳做这件事，写好你的请求，接下来你就可以直接写对响应如何做处理

每一次，当数据完成记录，它会离开spiders，来到Scrapy Engine（引擎），引擎将它送入Item Pipeline（数据管道）处理。定义这个类的py文件，正是items.py。
如果要爬取豆瓣读书的书名、出版信息和评分，示例:

在items.py里如何定义数据:

import scrapy
#导入scrapy
class DoubanItem(scrapy.Item):
#定义一个类DoubanItem，它继承自scrapy.Item
   title = scrapy.Field()
   #定义书名的数据属性
   publish = scrapy.Field()
   #定义出版信息的数据属性
   score = scrapy.Field()
   #定义评分的数据属性

scrapy.Field()这行代码实现的是，让数据能以类似字典的形式记录,它输出的结果非常像字典，但它却并不是dict，它的数据类型是我们定义的DoubanItem，属于自定义的Python字典.我们利用类似上述代码的样式，去重新写top250.py

import scrapy
import bs4
from ..items import DoubanItem
# 需要引用DoubanItem，它在items里面。因为是items在top250.py的上一级目录，所以要用..items，这是一个固定用法。

class DoubanSpider(scrapy.Spider):
#定义一个爬虫类DoubanSpider。
   name = 'douban'
   #定义爬虫的名字为douban。
   allowed_domains = ['book.douban.com']
   #定义爬虫爬取网址的域名。
   start_urls = []
   #定义起始网址。
   for x in range(3):
       url = 'https://book.douban.com/top250?start=' + str(x * 25)
       start_urls.append(url)
       #把豆瓣Top250图书的前3页网址添加进start_urls。

def parse(self, response):
   #parse是默认处理response的方法。
       bs = bs4.BeautifulSoup(response.text,'html.parser')
       #用BeautifulSoup解析response。
       datas = bs.find_all('tr',class_="item")
       #用find_all提取<tr class="item">元素，这个元素里含有书籍信息。
       for data in  datas:
       #遍历data。
           item = DoubanItem()
           #实例化DoubanItem这个类。
           item['title'] = data.find_all('a')[1]['title']
           #提取出书名，并把这个数据放回DoubanItem类的title属性里。
           item['publish'] = data.find('p',class_='pl').text
           #提取出出版信息，并把这个数据放回DoubanItem类的publish里。
           item['score'] = data.find('span',class_='rating_nums').text
           #提取出评分，并把这个数据放回DoubanItem类的score属性里。
           print(item['title'])
           #打印书名。
           yield item
           #yield item是把获得的item传递给引擎。

当我们每一次，要记录数据的时候，比如前面在每一个最小循环里，都要记录&ldquo;书名&rdquo;，&ldquo;出版信息&rdquo;，&ldquo;评分&rdquo;。我们会实例化一个item对象，利用这个对象来记录数据。
每一次，当数据完成记录，它会离开spiders，来到Scrapy Engine（引擎），引擎将它送入Item Pipeline（数据管道）处理。这里，要用到yield语句。
yield语句它有点类似return，不过它和return不同的点在于，它不会结束函数，且能多次返回信息。

就如同上图所示：爬虫（Spiders）会把豆瓣的10个网址封装成requests对象，引擎会从爬虫（Spiders）里提取出requests对象，再交给调度器（Scheduler），让调度器把这些requests对象排序处理。然后引擎再把经过调度器处理的requests对象发给下载器（Downloader），下载器会立马按照引擎的命令爬取，并把response返回给引擎。
紧接着引擎就会把response发回给爬虫（Spiders），这时爬虫会启动默认的处理response的parse方法，解析和提取出书籍信息的数据，使用item做记录，返回给引擎。引擎将它送入Item Pipeline（数据管道）处理。

代码实操&mdash;&mdash;设置

点击settings.py文件，把USER _AGENT的注释取消（删除#），然后替换掉user-agent的内容，就是修改了请求头。
因为Scrapy是遵守robots协议的，如果是robots协议禁止爬取的内容，Scrapy也会默认不去爬取，所以修改Scrapy中的默认设置。把ROBOTSTXT_OBEY=True改成ROBOTSTXT_OBEY=False，就是把遵守robots协议换成无需遵从robots协议，这样Scrapy就能不受限制地运行。

1.

想要运行Scrapy有两种方法，一种是在本地电脑的终端跳转到scrapy项目的文件夹

（跳转方法：cd+文件夹的路径名如：
cd D:\python\Pythoncode\douban\douban）
然后输入命令行：scrapy crawl douban（douban 就是我们爬虫的名字）。）

2.

另一种运行方式需要我们在最外层的大文件夹里新建一个main.py文件（与scrapy.cfg同级）。

然后在这个main.py文件里，输入以下代码，点击运行，Scrapy的程序就会启动。

from scrapy import cmdline
#导入cmdline模块,可以实现控制终端命令行。
cmdline.execute(['scrapy','crawl','douban'])
#用execute（）方法，输入运行scrapy的命令。

第1行代码：在Scrapy中有一个可以控制终端命令的模块cmdline。导入了这个模块，我们就能操控终端。
第2行代码：在cmdline模块中，有一个execute方法能执行终端的命令行，不过这个方法需要传入列表的参数。我们想输入运行Scrapy的代码scrapy crawl douban，就需要写成[&lsquo;scrapy&rsquo;,&lsquo;crawl&rsquo;,&lsquo;douban&rsquo;]这样。
在实际项目实战中，我们应该先定义数据，再写爬虫。所以，流程图应如下：

最后，存储数据需要修改pipelines.py文件

来源：https://blog.csdn.net/weixin_53823523/article/details/115672417