瓜瓜头条

七、Scrapy框架-案例1

2024-09-21 12:21 由 溪奇的数据 发表于 #后端开发

1. 豆瓣民谣Top排名爬取

1.1 构建scrapy项目

  1. 安装Scrapy库

    pip install scrapy

  2. 创建Scrapy项目

    通过cmd进入命令窗口，执行命令scrapy startproject xxxx (xxxx为scrapy项目名)，创建scrapy项目。

    scrapy startproject douban_spider2024

  3. 创建爬虫项目

    执行scrapy genspider xxx（爬虫名称） xxx（网址）创建爬虫项目。

    scrapy genspider douban www.bouban.com


1.2 虚拟环境构建

  1. 使用Pycharm打开创建好的douban_spider2024文件夹，进入项目。

  2. 构建虚拟环境(venv)

  3. 利用requirement.txt文件安装依赖库，也可以自己一个个pip安装。

    • 查看依赖库：pip freeze > requirements.txt

    • 安装依赖库：pip install -r requirements.txt

1.3 主程序编写

主程序（douban.py）用于编写解析页面的主要内容的代码。(url: https://music.douban.com/tag/民谣)

  • 通过start_requests函数获取urls列表，并用Request封装（需要配合在settings.py中启用下载中间件）。

  • 通过parse函数进行网页解析。

1.4 items.py设置

  • 继承scrapy.Item的自定义类SongItem，导入到主程序douban.py中用于存储爬取的字段。

1.5 settings.py设置

用于控制Scrapy框架中各部件的参数，例如USER_AGENT、COOKIES、代理、中间件启停等。

  • 修改USER_AGENT，模拟浏览器登录。

  • 关闭Obey robots.txt rules，将True设置为False。

  • 设置下载延迟

  • 打开下载中间件（downloader_middlewares），实现拦截并修改Request的请求内容。

1.6 middlewares.py设置

  • cookies设置

    进入middlewares.py程序中设置，新增一个处理cookies的函数，执行cookies函数返回一个包含cookies的字典COOKIE_ITEM。

    在xxDownloaderMiddleware类中process_request函数配置COOKIES_ITEM。

  • scrapy 利用sock代理？？

1.7 多层url解析

  • 利用回调函数解析多层url：在parse函数最后解析获取新的url，并提交新的Request，并传递item到回调函数parse_detail中解析。

  • 在items.py中添加新的item信息。

1.8 pipelines.py设置

  • 通过pipelines.py构建Excel存储管道，用于将爬取的数据存储到excel中。