Scrapy爬虫(五)：有限爬取深度实例

该章节将实现爬取豆瓣某个音乐下所有乐评的scrapy爬虫。

豆瓣乐评分析

豆瓣音乐是国内音乐资料及评论网站，现在我们有个需求就是爬取豆瓣音乐下所有的音乐评论（乐评），但是乐评属于音乐介绍下的子菜单，那么如何来爬取这些乐评呢？咱们先不急，先看看豆瓣乐评的结构。
以周杰伦的叶惠美为例https://music.douban.com/subject/1406522/

这个是页面上面的部分，鼠标往下滚动可以看到乐评

可以看到叶惠美下有111条长评论，那么，我们现在如何在只知道叶惠美这首歌url的情况下，爬取下面所有的乐评呢，下面我会回答这个问题。

爬虫爬取策略

我了解到有这么几种策略，具体的可以参看wawlian的博客

1.深度优先遍历策略
2.宽度优先遍历策略
3.反向链接数策略
4.Partial PageRank策略
5.OPIC策略策略
6.大站优先策略

本处爬取乐评可以采用深度优先遍历的策略，因为按我们正则表达式捕获同规则下的url，音乐页面还有其他音乐的链接，那么爬虫就会跑偏，爬取乐评的时候可能会先去爬取其他音乐的乐评。如果为爬虫设置深度，爬虫将不会爬取更深的url，当爬完乐评后会返回到下一个音乐url，继续爬取。

scrapy中，我们在settings.py设置深度使用DEPTH_LIMIT，例如：DEPTH_LIMIT = 5，该深度是相对于初始请求url的深度。

经分析，可以得出豆瓣音乐乐评相对于起始音乐url的深度为4，那么我们在settings.py设置DEPTH_LIMIT = 4

创建项目

使用命令scrapy startproject douban

MACBOOK:~ yancey$ scrapy startproject doubanNew Scrapy project 'douban', using template directory '/Library/Frameworks/Python.framework/Versions/3.5/lib/python3.5/site-packages/scrapy/templates/project', created in:    /Users/yancey/doubanYou can start your first spider with:    cd douban    scrapy genspider example example.com

使用pycharm打开douban项目

在settings.py中设置DEPTH_LIMIT = 4

BOT_NAME = 'douban'SPIDER_MODULES = ['douban.spiders']NEWSPIDER_MODULE = 'douban.spiders'DEPTH_LIMIT = 4DOWNLOAD_DELAY = 2USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.95 Safari/537.36'ROBOTSTXT_OBEY = True

豆瓣有反爬虫机制，因此设置延时DOWNLOAD_DELAY，及用户代理USER_AGENT也是必要的，在google浏览器输入chrome://version/可以得到用户代理USER_AGENT。

• 修改items.py

from scrapy import Item, Field# 音乐class MusicItem(Item):    music_name = Field()    music_alias = Field()    music_singer = Field()    music_time = Field()    music_rating = Field()    music_votes = Field()    music_tags = Field()    music_url = Field()# 乐评class MusicReviewItem(Item):    review_title = Field()    review_content = Field()    review_author = Field()    review_music = Field()    review_time = Field()    review_url = Field()

• 新写一个爬虫

# coding:utf-8from scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractorfrom douban.items import MusicItem, MusicReviewItemfrom scrapy import logimport reclass ReviewSpider(CrawlSpider):    name = 'review'    allowed_domains = ['music.douban.com']    start_urls = ['https://music.douban.com/subject/1406522/']    rules = (        Rule(LinkExtractor(allow=r"/subject/\d+/reviews$")),        Rule(LinkExtractor(allow=r"/subject/\d+/reviews\?sort=time$")),        Rule(LinkExtractor(allow=r"/subject/\d+/reviews\?sort=time\&start=\d+$")),        Rule(LinkExtractor(allow=r"/review/\d+/$"), callback="parse_review", follow=True),    )    def parse_review(self, response):        try:            item = MusicReviewItem()            item['review_title'] = "".join(response.xpath('//*[@property="v:summary"]/text()').extract())            content = "".join(                response.xpath('//*[@id="link-report"]/div[@property="v:description"]/text()').extract())            item['review_content'] = content.lstrip().rstrip().replace("\n", " ")            item['review_author'] = "".join(response.xpath('//*[@property = "v:reviewer"]/text()').extract())            item['review_music'] = "".join(response.xpath('//*[@class="main-hd"]/a[2]/text()').extract())            item['review_time'] = "".join(response.xpath('//*[@class="main-hd"]/p/text()').extract())            item['review_url'] = response.url            yield item        except Exception as error:            log(error)

• 新建run.py

# coding:utf-8from scrapy import cmdlinecmdline.execute("scrapy crawl review -o review.json".split())

scrapy crawl review -o review.json 命令意思是，运行review爬虫并且将结果输出到revie.json文件中

运行爬虫

在pycharm中运行run.py，结果如下：

... ...2016-12-27 11:15:52 [scrapy] DEBUG: Scraped from <200 https://music.douban.com/review/7948957/>{'review_author': '真实的螃蟹', 'review_content': '作为90后，第一次听Jay的歌就是从这一张专辑开始，那时候都是听盗版磁带。', 'review_music': '叶惠美', 'review_time': '', 'review_title': '从叶惠美开始', 'review_url': 'https://music.douban.com/review/7948957/'}2016-12-27 11:15:52 [scrapy] DEBUG: Scraped from <200 https://music.douban.com/review/7844264/>{'review_author': 'Flowertree', 'review_content': '从上周清明放假开始，上海的雨就一直恹恹地下个不停，像在情局里走不出的娇弱女生。', 'review_music': '叶惠美', 'review_time': '', 'review_title': '是雨天。', 'review_url': 'https://music.douban.com/review/7844264/'}2016-12-27 11:15:52 [scrapy] INFO: Closing spider (finished)2016-12-27 11:15:52 [scrapy] INFO: Stored json feed (111 items) in: review.json2016-12-27 11:15:52 [scrapy] INFO: Dumping Scrapy stats:{'downloader/request_bytes': 55633, 'downloader/request_count': 126, 'downloader/request_method_count/GET': 126, 'downloader/response_bytes': 1111810, 'downloader/response_count': 126, 'downloader/response_status_count/200': 123, 'downloader/response_status_count/301': 3, 'dupefilter/filtered': 220, 'finish_reason': 'finished', 'finish_time': datetime.datetime(2016, 12, 27, 3, 15, 52, 612227), 'item_scraped_count': 111, 'log_count/DEBUG': 544, 'log_count/INFO': 8, 'request_depth_max': 4, 'response_received_count': 123, 'scheduler/dequeued': 123, 'scheduler/dequeued/memory': 123, 'scheduler/enqueued': 123, 'scheduler/enqueued/memory': 123, 'start_time': datetime.datetime(2016, 12, 27, 3, 15, 44, 243222)}2016-12-27 11:15:52 [scrapy] INFO: Spider closed (finished)Process finished with exit code 0

运行结果中 ‘item_scraped_count’: 111 可以知道已经将111条乐评全部爬下来了，也可以打开review.json文件，也是111条item。

github地址

---

• 专题概要
• 爬虫简介
• scrapy架构及原理
• imdb.cn爬虫实例
• 有限爬取深度实例
• 多个爬虫组合实例
• 爬虫数据存储实例
• 中间件的使用实例
• scrapy的调试技巧
• 爬虫总结以及扩展