七、Scrapy框架-案例1

付良健

1. 豆瓣民谣Top排名爬取

1.1 构建scrapy项目

• 安装Scrapy库
  1. pip install scrapy

  复制代码
• 创建Scrapy项目
  通过cmd进入命令窗口，执行命令scrapy startproject  xxxx (xxxx为scrapy项目名)，创建scrapy项目。
  1. scrapy startproject douban_spider2024

  复制代码
  
  
• 创建爬虫项目
  执行scrapy genspider xxx（爬虫名称）  xxx（网址）创建爬虫项目。
  1. scrapy genspider douban www.bouban.com

  复制代码
  
  
  
  

1.2 虚拟环境构建

• 使用Pycharm打开创建好的douban_spider2024文件夹，进入项目。
  
  
  
• 构建虚拟环境(venv)
  
  
  
• 利用requirement.txt文件安装依赖库，也可以自己一个个pip安装。
  
  
  
  • 查看依赖库：pip freeze > requirements.txt
    
  • 安装依赖库：pip install -r requirements.txt
    
  
  
  

1.3 主程序编写

主程序（douban.py）用于编写解析页面的主要内容的代码。(url: https://music.douban.com/tag/民谣)

• 通过start_requests函数获取urls列表，并用Request封装（需要配合在settings.py中启用下载中间件）。
  
  
  
• 通过parse函数进行网页解析。
  
  
  

1.4  items.py设置

• 继承scrapy.Item的自定义类SongItem，导入到主程序douban.py中用于存储爬取的字段。
  
  
  

1.5 settings.py设置

用于控制Scrapy框架中各部件的参数，例如USER_AGENT、COOKIES、代理、中间件启停等。

• 修改USER_AGENT，模拟浏览器登录。
  
  
  
• 关闭Obey robots.txt rules，将True设置为False。
  
  
  
• 设置下载延迟
  
  
  
• 打开下载中间件（downloader_middlewares），实现拦截并修改Request的请求内容。
  
  
  

1.6 middlewares.py设置

• cookies设置
  进入middlewares.py程序中设置，新增一个处理cookies的函数，执行cookies函数返回一个包含cookies的字典COOKIE_ITEM。
  
  
  在xxDownloaderMiddleware类中process_request函数配置COOKIES_ITEM。
  
  
  
  
  
• scrapy 利用sock代理？？
  

1.7 多层url解析

• 利用回调函数解析多层url：在parse函数最后解析获取新的url，并提交新的Request，并传递item到回调函数parse_detail中解析。
  
  
  
• 在items.py中添加新的item信息。
  
  
  

1.8 pipelines.py设置

• 通过pipelines.py构建Excel存储管道，用于将爬取的数据存储到excel中。
  
  
  
  
  
  
  

来源:https://www.cnblogs.com/xiqi2018/p/18423834
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！