使用scrapy编写爬虫：爬取豆瓣Top250读书的评论

介绍

安装

pip3 install scrapy

创建scrapy项目

先cd到你存放项目的文件夹位置，然后，使用命令：scrapy startproject 项目名称，创建项目

这里以【获取豆瓣 Top250 读书的评论（图书名称、评论人、评论时间、评论内容），链接地址：https://book.douban.com/top250?start=0】作为演示项目

创建项目：

scrapy startproject doubancomment

项目结构说明

配置 settings.py

USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.117 Safari/537.36 OPR/66.0.3515.36 (Edition Baidu)‘

# 是否遵循robots协议
ROBOTSTXT_OBEY = False

# 控制下载速度
DOWNLOAD_DELAY = 0.5

# 开启管道
ITEM_PIPELINES = {
   ‘doubancomment.pipelines.DoubancommentPipeline‘: 300,
}

设置数据模型 items.py

import scrapy

class DoubancommentItem(scrapy.Item):
    # 图书名称
    bookname = scrapy.Field()
    # 评论人
    common_id = scrapy.Field()
    # 评论时间
    common_date = scrapy.Field()
    # 指数
    common_vote_num = scrapy.Field()
    # 评论内容
    common_content = scrapy.Field()

爬虫代码 common_spider.py

# 获取豆瓣读书Top250的评论

import scrapy
from bs4 import BeautifulSoup
from ..items import DoubancommentItem

class Common_spider(scrapy.Spider):
    # 爬虫名称
    name = ‘comment‘
    # 允许爬取的网站域名
    allowed_domains = [‘book.douban.com‘]
    # 起始网址
    start_urls = []
    # 获取前2页书籍的评论
    for x in range(2):
        url = "https://book.douban.com/top250?start={}".format(25*x)
        start_urls.append(url)

    # 解析起始网址
    def parse(self, response):
        soup = BeautifulSoup(response.text, ‘html.parser‘)
        pl2_list = soup.find_all("div", class_=‘pl2‘)
        for pl2 in pl2_list:
            # 书籍链接
            book_link = pl2.find("a")[‘href‘]
            # 评论链接
            common_link = book_link + "comments/"

            yield scrapy.Request(common_link, callback=self.common_parse)

    # 解析评论
    def common_parse(self, response):
        soup = BeautifulSoup(response.text, ‘html.parser‘)
        # 书籍名称
        bookname = soup.find_all("p", class_=‘pl2 side-bar-link‘)[1].find("a").text

        li_list = soup.find_all(‘li‘, class_=‘comment-item‘)
        for li in li_list:
            common_info = li.find(class_=‘comment-info‘)
            # 评论人
            common_id = common_info.find("a").text
            # 评论时间
            if len(common_info.find_all("span")) > 1:
                common_date = common_info.find_all("span")[1].text
            else:
                common_date = common_info.find("span").text
            # 指数
            common_vote_num = li.find(class_=‘vote-count‘).text
            # 评论内容
            common_content = li.find(class_=‘comment-content‘).find("span").text

            item = DoubancommentItem()
            item[‘bookname‘] = bookname
            item[‘common_id‘] = common_id
            item[‘common_date‘] = common_date
            item[‘common_vote_num‘] = common_vote_num
            item[‘common_content‘] = common_content

            yield item

处理数据 pipelines.py

from openpyxl import Workbook
import os

class DoubancommentPipeline(object):
    def __init__(self):
        self.wb = Workbook()
        self.sheet = self.wb.active
        self.sheet.append([‘图书名称‘, ‘评论人‘, ‘评论时间‘, ‘指数‘, ‘评论内容‘])

    # 处理数据
    def process_item(self, item, spider):
        line = [item[‘bookname‘], item[‘common_id‘], item[‘common_date‘], item[‘common_vote_num‘], item[‘common_content‘]]
        self.sheet.append(line)

        return item

    # 爬虫结束时，会调用这个方法
    def close_spider(self, spider):
        # 目录不存在 -> 创建目录
        data_dir = os.path.dirname(__file__) + "/storage/data/"
        if not os.path.isdir(data_dir):
            os.makedirs(data_dir)

        # 保存文件
        self.wb.save(data_dir + "comment.xlsx")
        # 关闭文件
        self.wb.close()

运行

方式一：cd到根目录，执行命令：scrapy crawl 爬虫的名称

scrapy crawl comment

方式二：cd到根目录，创建文件 main.py：

from scrapy import cmdline
cmdline.execute([‘scrapy‘, ‘crawl‘, ‘comment‘])

也就是将方式一的命令，写成列表的形式，然后，执行 main.py

执行完毕，会有这样的提示：[scrapy.core.engine] INFO: Spider closed (finished)