Python爬虫之Scrapy框架系列（3）——项目实战【某瓣top250电影信息获取】

1. 某瓣电影top250首页电影信息的获取！

1.创建项目：

scrapy startproject douban

2.创建爬虫文件：

scrapy genspider db www.summer.com

（注意：这个域名是可以随便写的【但是必须要写哦！】，等爬虫文件生成之后再更改为我们所需的即可！）

# -*- coding: utf-8 -*-
import scrapy


class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['评论区有']
    start_urls = ['评论区有']

    def parse(self, response):
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print(response.text)

3.运行爬虫文件：

scrapy crawl db

但是，我们运行之后发现又没有获取到数据哎！

造成这样的原因是：回想爬虫的基础，我们如果直接这样向网页发送请求进行爬取，那服务端一眼就看到咱是scrapy了，它还会理咱嘛？所以我们要设置请求头！

4.设置请求头：

在配置文件settings.py中找到如下代码取消注释并加入爬取网页请求头的User-Agent即可！

5.获取到电影名字：

到现在，我们运行爬虫文件，Scrapy框架已经可以获取到网页的首页数据。那么，我们如何筛选出我们想要的电影的名字呢？
考虑到我们如果利用xpath匹配，可能要多次尝试才能正确匹配到，那就需要我们一次又一次的运行咱的项目，多麻烦啊！咱都这样想了，人家大牛也这样想啊，所以，在这里有个贼帅贼帅的牛皮的方法：

5.1 使用shell交互式平台：

（注意1：它是遵循settings设置的；2：一定要到咱的项目文件夹下运行）

具体操作步骤如下：

• 首先：cd到我们项目的文件路径下。
• 然后：输入命令scrapy shell url (start_urls) 即可！
  这样：它其实就请求到了此url的数据（跟上面运行爬虫文件得到的数据一模一样）！！！

5.1.1 首先：打开我们的shell交互式平台。

• 在此项目的terminal中：输入命令scrapy shell 评论区的start urls

5.2.2 第二步：在shell交互式平台中匹配我们所需的电影数据。

• 输入：response.xpath('//div[@class="info"]/div/a/span[1]/text()')

会发现：这得到的是一个selector对象！
而我们得到的数据就是用的response对象自带的xpath匹配到的（生成了response之后就会自动生成selector对象）！
与我们正常用的xpath不同，它获取到的数据在selector对象里，如上图：

5.2.3 第三步：从selector对象中提取电影名字

使用selector对象的方法.extract()。这个方法可以提取到selector对象中data对应的数据。

response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()

6.将获取到的电影的信息存储到text文本中

注意：如果想要存储数据，就要用到管道。
这就涉及到了items.py文件（定义结构化数据字段）和pipelines.py文件（管道文件）。

6.1 首先：操作items.py文件

• 因为我们只需要存储一个信息，所以定义一个字段名即可！

• 定义公共输出数据格式，Scrapy提供了Item类。Item对象是用于收集剪贴数据的简单容器。它们提供了一个类似词典的API，提供了一种方便的语法来声明它们的可用字段。 scray.Item对象是用于收集抓取数据的简单容器，使用方法和python的字典类似。编辑项目目录下items.py文件。

• 然后我们只需要在爬虫中导入我们定义的Item类，实例化后用它进行数据结构化。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #需要定义字段名  就像数据库那样，有字段名，才能插入数据（即存储数据）
    # Field代表的是字符串类型！！！
    films_name=scrapy.Field()   #定义字段名

6.2 第二步：在爬虫文件中操作数据，使其与管道建立桥梁

到目前为止，我们通过scrapy写出的爬虫还看不出优越性在哪里，并且上面的爬虫还有个很严重的问题，就是对文件的操作。每次调用parse方法会打开文件关闭文件，这极大的浪费了资源。parse函数在解析出我们需要的信息之后，可以将这些信息打包成一个字典对象或scray.Item对象（一般都是item对象），然后返回。这个对象会被发送到item管道，该管道会通过顺序执行几个组件处理它。每个item管道组件是一个实现简单方法的Python类。他们收到一个item并对其执行操作，同时决定该item是否应该继续通过管道或者被丢弃并且不再处理。

item管道的典型用途是：

• 清理HTML数据
• 验证已删除的数据（检查项目是否包含某些字段）
• 检查重复项（并删除它们）
• 将已爬取的item进行数据持久化

# -*- coding: utf-8 -*-
import scrapy

from ..items import DoubanItem      #因为我们要使用包含定义字段名的类，所以需要导入

class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['评论区']
    start_urls = ['评论区']

    def parse(self, response):
        # 获取电影信息数据
        films1_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()
        # 交给管道存储
        # 使用DoubanItem
        item=DoubanItem()  #创建对象
        item["films_name"]=films1_name      #值是个列表，因为xpath匹配到的数据都扔到列表里了！
        # item可以理解为一个安全的字典  用法与字典相同
        print("item里面是：",dict(item))  #可以转换为字典
        return item     #交给引擎  引擎要交给管道,需要打开管道

6.3 第三步：我们要将数据提交给管道，所以需要打开管道

• 要激活这个管道组件，必须将其添加到ITEM_PIPELINES设置中,在settings.py文件中:

(在此设置中为类分配的整数值决定了它们运行的顺序：按照从较低值到较高值的顺序进行。
注意：这个管道的目的只是介绍如何编写项目管道，如果要将所有爬取的item存储到json文件中，则应使用Feed导出，在运行爬虫时加上如下参数：
scrapy crawl bd -o films.json)

6.4 第四步：现在数据已经可以交给管道，那么管道就要对数据进行处理

就是操作pipelines.py文件

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

import json
class DoubanPipeline(object):
    def process_item(self, item, spider):
        #为了能写进text  json.dumps将dic数据转换为str
        json_str=json.dumps(dict(item),ensure_ascii=False)
        with open("films.text","w",encoding="utf-8") as f:
            f.write(json_str)
        return item

7.实现效果：