Scrapy 通过登录的方式爬取豆瓣影评数据

爬虫

Scrapy

豆瓣

Fly

由于需要爬取影评数据在来做分析，就选择了豆瓣影评来抓取数据，工具使用的是Scrapy工具来实现。scrapy工具使用起来比较简单，主要分为以下几步：

1、创建一个项目 ==scrapy startproject Douban

得到一个项目目录如下：

├── Douban
│   ├── init.py
│   ├── items.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders
│   └── init.py
└── scrapy.cfg

2 directories, 6 files
然后定义一个Item项
定义Item项，主要是为了方便得到爬取得内容。（根据个人需要定义吧，不定义也可以。）
定义一个爬虫类
由上面的目录上，知道放在spider下面。可以根据不同的需要继承 scrapy.Spider 或者是CrawlSpider。然后定义url以及parse方法
当然也可以使用命令来生成模板scrapy genspider douban douban.com
抓取内容
使用命令 scrapy crawl spidername

通过scrapy 参考手册的程序定义之后，会发现在爬不到数据，这是因为豆瓣使用了反爬虫机制。我们可以在setting.py内启动DOWNLOAD_DELAY=3 以及User-Agent代理：USER_AGENT = 'Douban (+http://www.douban.com)'

这样就可以开启爬虫了。
但是在爬取豆瓣影评数据的时候，会发现，最多只能爬取10页，然后豆瓣就需要你登录。不然就只能爬取10页数据（从浏览去看，也是只能看到10页数据）。

这就需要我们登录之后再去爬取数据了。
然后在Scrapy手册的Spider部分，发现了可以使用如下方式实现登录：

通过上面的方法，就可以实现登录豆瓣爬取想要的数据了。

** 本篇笔记初略的记录了如何登录豆瓣爬取数据。

下面试自己写的spider/Doubanspider.py的代码，仅供参考：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.selector import Selector
from Douban.items import DoubanItem
class Doubanspider(scrapy.Spider):
# 定义爬虫的名字
name = "doubanmovie"
allowed_domains = ["douban.com"]
# 初始化url
# start_urls = (
# 'https://movie.douban.com/subject/26266072/comments',
# )
def start_requests(self):
# print u'开始'
return [scrapy.FormRequest('https://www.douban.com/login',
formdata={'form_email': 'your username', 'form_password': 'your password'}, callback = self.logged_in)]
def logged_in(self, response):
# 登陆完成之后开始爬取数据
# print u'成功？'
yield Request('https://movie.douban.com/subject/26266072/comments', callback = self.parse)
# 定义解析的方法
def parse(self, response):
# print u'爬取'
sel = Selector(response)
self.log("Hi, this is an item page! %s" % response.url)
item = DoubanItem()
# 每条短评的xpath
item['comment'] = sel.xpath('//div[@class = "comment"]/p[@class = ""]/text()[1]').extract()
# 每个评分的xpath
item['grade'] = sel.xpath('//div[@class = "comment"]/h3/span[@class = "comment-info"]/span[contains(@class,"allstar")]/@title').extract()
yield item
# 下一页的xpath，如有，则又发出新的请求
next_page = '//div[@id = "paginator"]/a[@class="next"]/@href'
if response.xpath(next_page):
url_nextpage = 'https://movie.douban.com/subject/26266072/comments' + response.xpath(next_page).extract()[0]
request = Request(url_nextpage, callback = self.parse)
yield request

items.py的定义如下：

再在setting里面设置好，就可以爬取数据了！

2016.8.30
Fly

巴特西