Scrapy 通过登录的方式爬取豆瓣影评数据
Scrapy 通过登录的方式爬取豆瓣影评数据
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.cfg2 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
具体可以参照Scrapy手册(scrapy tutorial)
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:
- class MySpider(scrapy.Spider):
- name = 'myspider'
- def start_requests(self):
- return [scrapy.FormRequest("http://www.example.com/login",
- formdata={'user': 'john', 'pass': 'secret'},
- callback=self.logged_in)]
- def logged_in(self, response):
- # here you would extract links to follow and return Requests for
- # each of them, with another callback
- pass
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:
- import scrapy
- class DoubanItem(scrapy.Item):
- # define the fields for your item here like:
- # name = scrapy.Field()
- comment = scrapy.Field()
- grade = scrapy.Field()
再在setting里面设置好,就可以爬取数据了!
2016.8.30
Fly
最新文章
- Linux下查看chm文件
- 九幽2015年Q3 WP市场份额细分报告
- 国内YUM源收集
- jquery控制css的display(控制元素的显示与隐藏)
- 射频识别技术漫谈(5)——防冲突【worldsing 笔记】
- DSP开发资源总结,经典书籍,论坛
- android入门——UI(1)
- ASP.NET Session丢失问题原因及解决方案
- Cocos2d-x 的“HelloWorld” 深入分析
- 关于连接数据库的T-SQL语句中的一种小技巧
- 3D图片变换
- poj 2888 Magic Bracelet(Polya+矩阵快速幂)
- Cs231n-assignment 2作业笔记
- ThreadPoolExecutor线程池详解
- 【Luogu4723】线性递推(常系数齐次线性递推)
- QString 和char数组转换(转)
- Linux下编译、安装php
- ubuntu16.04 能启动mysql服务
- Problem D: 统计元音字母数
- 谷歌扩展程序--------------Message