利用Scrapy爬取1905电影网

本文将从以下几个方面讲解Scrapy爬虫的基本操作

• Scrapy爬虫介绍
• Scrapy安装
• Scrapy实例——爬取1905电影网
• 相关资料

Scrapy 爬虫介绍

Scrapy是Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

从上图中可以看到，Scrapy已经帮我们处理好了Downloader以及Scheduler。作为轻量级用户，我们完全不用关心爬虫是如何调度及下载的，只需要关注爬虫的爬去规则（Spiders）以及如何存储（Item Pipeline）。

Scrapy的安装

网上有许多关于Scrapy安装的博客，大家自行搜索，我是采用pip的安装方式

pip install scrapy

如果使用pip安装时遇到 KeyError: u’\u6e29’ 的问题，可以参考我的博客

python2.7 pip install 报错KeyError: u’\u6e29’解决方案

Scrapy 实例

爬虫任务介绍

这次要爬去1905电影网的所有中国电影，共14499部电影
下图为目录页，每个目录页有30个电影，共有486个目录页

下图为需要保存的电影页面，我们将其保存到本地，以后再解析

我们观察到目录页url是有规律的，
第一页 http://www.1905.com/mdb/film/list/country-China/o0d0p0.html
第二页 http://www.1905.com/mdb/film/list/country-China/o0d0p1.html
最后页 http://www.1905.com/mdb/film/list/country-China/o0d0p484.html
因此我们每次替换上面url中黑体的部分即可。

整个爬虫的逻辑为
1. 构建所有目录页url
2. 爬取目录页，并分析出当前目录页中的电影页url
3. 爬取电影页，并保存

创建爬虫

在开始爬取之前，必须创建一个新的Scrapy项目。 利用cmd进入打算存储代码的目录中，然后输入命令scrapy startproject movie1905构建爬虫项目，其中 movie1905 项目名，可自定义。

该命令将会创建包含下列内容的movie1905目录：

movie1905/    scrapy.cfg    movie1905/        __init__.py        items.py        pipelines.py        settings.py        spiders/            __init__.py            ...

其中settings.py是项目的配置文件,spiders目录是放置爬虫的目录，pipelines.py是用于存数据的文件，items.py是爬虫爬取数据的容器

定义Item

item 是保存爬取到的数据的容器，我们根据自己的需要定义Item

import scrapyclass Movie1905Item(scrapy.Item):    url = scrapy.Field()        # url    html = scrapy.Field()       # 爬取下来的网页内容    filename = scrapy.Field()   # 网页存储在本地的文件名

撰写爬虫

这个爬虫需要在spiders目录里新建一个.py文件

class Movie(scrapy.Spider):    name = "chineseMovie"    allowed_domains = ["1905.com"]

其中name 是用于在命令行调用爬虫时作为爬虫区分的标识，简单说就是爬虫的名字，该名字必须唯一！
allowed_domains 是爬虫允许爬去的域名，如果不在该域名中则不爬取。
应该来说还应有一个start_urls 作为Spider在启动时进行爬取的url列表，但考虑到我们需要爬取的url有一定的规则，因此用一个中间件代替，如下所示：

    def start_requests(self):        basic_url = "http://www.1905.com/mdb/film/list/country-China/o0d0p%s.html"        start,end = 0,485        for i in range(start,end):            url = basic_url.replace("%s",str(i))            yield scrapy.http.Request(url,self.parse)

分析网页时对于目录页与电影页需要区别对待。

对于目录页的处理

首先对于目录页我们需要分析出当前目录页中的电影页url，并将该url交给scrapy去进行接下来的处理

    def parse(self, response):        sel = Selector(response)        urls = sel.xpath('//ul[@class="inqList pt18"]/li/a/@href').extract()        for url in urls:            url = "http://www.1905.com" + url            yield scrapy.http.Request(url,self.parse_movie)

注意到，提取url标签时我们采用xpath进行标签定位，关于xpath的介绍可以看这里
这里还有一种更简单的xpath定位方法，我们使用chrome浏览器，右键审查元素找到我们想要的标签，在该标签上邮件copy，选择copy xpath，根据该结果进行适当调整即可，如下图所示：

对于电影页的处理

根据前面所说，我们暂时不分析电影页中的内容，仅仅是将其存入本地

    def parse_movie(self, response):        item = Movie1905Item()        item['url'] = response.url        item['html'] = response.body        item['filename'] = "movie_" + hashlib.sha1(response.url).hexdigest() + ".txt"        print response.url        return item

保存数据

爬虫处理完数据后，返回一个item，scrapy看到返回结果是个item就会根据配置文件将其交给相应的pipeline的process_item方法进行数据的保存工作，这里没有什么太多可说的，大家根据自己的定义写就可以了

class Movie1905Pipeline(object):    db = "movie"                                    # 数据库名    filePath = "E://crawlerFile//movie//"       # 爬去下来的文件保存目录地址    def __init__(self):        self.SQLconn = SqlConnector(db=self.db)     # 我自己封装的数据库类    def process_item(self, item, spider):        self.save_in_File(item)        self.save_in_DB(item)        return item    # 存入文件    def save_in_File(self,item):        file_object = open(self.filePath + item['filename'],'w')        file_object.write(item['html'])        file_object.close()    # 存入数据库    def save_in_DB(self,item):        query = "insert into movie(url,filename) values(%s,%s)"        query = self.SQLconn.generateQuery(query,[item['url'],item["filename"]])        self.SQLconn.insert(query)

配置文件

我们可以利用配置文件对我们的爬虫进行深层定制，现在这个spider只需要增加两个配置

DOWNLOAD_HANDLERS = {'s3': None,}ITEM_PIPELINES=['movie1905.pipelines.Movie1905Pipeline']

第一行我暂时也不知道是做什么用的，但没有这行爬虫不会运行
第二行是定义爬虫的Pipeline

爬虫运行

在cmd内进入同scrapy.cfg同一级目录中，运行

scrapy crawl chineseMovie

运行结果如下图所示

相关资料

【1】该爬虫源代码
【2】Scrapy手册
【3】xPath资料