Scrapy爬取大众点评

---

内容：

美食品类750个商家：

• 商家的页面url
• 商家的主要信息
• 商家所有的促销信息（1200+条）
• 商家所有的评论信息（没爬完，14w+条）
• 发表这些评论的所有用户的信息（没爬完，5w+条）

代码：https://github.com/preke/Spiders/tree/master/DaZhongDianPing

总结和学习的一些点：

1. 大众点评有反爬机制，直接运行爬虫，会返回403 forbidden, 所以要换UA, 这里我参考了这篇文章
   http://blog.csdn.net/haipengdai/article/details/48545231
   （亲测这个中间件太厉害了，同学遇到的输入验证码的问题我都没遇到）

2. scrapy高度集成，设置完start_urls之后,start_request()根据start_urls的url生成Request对象,然后访问网页返回一个可迭代的Response对象，直接默认回调parse()；parse()返回的可迭代的Request对象，直接默认回调start_request()。
   注: 这里的Request对象和Response对象是scarpy里定义的：

from scrapy.http import Request
from scrapy.http import Response

具体说明：http://scrapy-chs.readthedocs.io/zh_CN/stable/topics/request-response.html#module-scrapy.http
而具体这个可迭代，因为内部实现时用迭代器，所以返回的时候，可以在返回对象上加一个’[]’

1. 多个爬虫pipline的问题，这样解决：

    def process_item(self, item, spider):
        if spider.name == 'url':
            do url things...
        elif spider.name == 'shop':
            sdo url things...
        elif spider.name == 'promotion':
            do url things...
        elif spider.name == 'comment':
            str1 = type(item)
            if str(str1) == "":
                print 'ok'
            else:
                self.saveOrUpdate(self.user_collection, item)

1. 遇到ajax要自己定义请求发送，然后遇到302，原因还是ua的问题，我通过requests库的request直接发get请求，发现返回的时重定向的页面，然后把请求委托给scrapy封装的Request,就可以获取信息（因为会通过中间件来换UA）。
   推荐使用postman先试一下，如果请求需要参数中有时间戳，可以自己随便设（仅限于本例，其他的还不清楚）
2. 后来遇到最大的问题是应对大众点评的反爬机制，中间折腾了各种各样的方法，不再累述，只说问题的结论：
   

• 我也遇到了输入验证码和403两个问题
  
• crawlera开始收费了
  
• 西次网的代理ip不靠谱，或者说是首页的ip不靠谱
  
• 自己用vmware开了6个虚拟机桥接网络，然后装上polipo做代理
  
• 自己写代理中间件，从代理池中random.choice()的效果不如我写一个时间片轮转的效果好，而且桥接网络的代理ip质量好像也不太高，有些也会被临时禁用。（本质感觉还是代理质量不高）
  
• 最后用几个可用的ip代理做轮转，一个连续发3个请求，然后换另一个，DOWNLOAD_DELAY 设为0.25

总结：

• 自己写的程序质量不高，发送请求的地方应该可以继续优化；
• 有高质量的代理肯定是好事，会省很多工作，或许说是偷懒的一种方式
• 师兄说了一个点，弄清楚程序发送请求和浏览器发送请求的区别，这是努力的一个点
• 引发了一个思考，可能是懂的太少：既然可以用代理池，分布式爬虫的意义在哪里？