用Scrapy爬虫爬取豆瓣电影排行榜数据，存储到Mongodb数据库

Posted 2021-03-17 tsostsos

爬虫第一步：新建项目

• 选择合适的位置，执行命令：scrapy startproje xxxx（我的项目名：douban）

爬虫第二步：明确目标

• 豆瓣电影排行url：https://movie.douban.com/top250?start=0，
  分析url后发现srart=后面的数字，以25的步长递增，最大为225，所以可以利用这个条件来发Request请求
• 本文只取了三个字段，电影名、评分和介绍，当然你想去更多信息也是可以的
  • item["name"]:电影名
  • item["rating_num"]:评分
  • item["inq"]:介绍
• 用xpath提取数据

# 电影名字  extract()方法的作用是将xpath对象转为unicode对象
item["name"] = each.xpath('.//span[@class="title"][1]/text()').extract()[0]
# 评分
item["rating_num"] = each.xpath('.//span[@class="rating_num"]/text()').extract()[0]
# 介绍
item["inq"] = each.xpath('.//span[@class="inq"]/text()').extract()[0]

• 写好items.py文件

import scrapy
class DoubanItem(scrapy.Item):
    # 电影名
    name = scrapy.Field()
    # 评分
    rating_num = scrapy.Field()
    # 介绍
    inq = scrapy.Field()

爬虫第三步：编写爬虫文件spider

• 这里用spider类，执行命令:scrapy genspider doubanMovie "movie.douban.com"(爬虫名不能和项目名一样)

import scrapy
# 从items.py文件中导入DoubanItem类
from douban.items import DoubanItem
class DoubanmovieSpider(scrapy.Spider):
    # 爬虫名 
    name = 'doubanMovie'
    # 允许爬虫的范围
    allowed_domains = ['movie.douban.com']
    # 构造url地址，因为最后那个数字是变化的，可以动态生成url地址
    url = "https://movie.douban.com/top250?start="
    offset = 0
    start_urls = [url + str(offset)]
    # 页面解析函数
    def parse(self, response):
        # xpath找到一个根节点
        datas = response.xpath('//div[@class="item"]//div[@class="info"]')
        for each in datas:
            # 实例化item对象
            item = DoubanItem()
            # 电影名字  extract()方法的作用是将xpath对象转为unicode对象
            item["name"] = each.xpath('.//span[@class="title"][1]/text()').extract()[0]
            # 评分
            item["rating_num"] = each.xpath('.//span[@class="rating_num"]/text()').extract()[0]
            # 介绍
            item["inq"] = each.xpath('.//span[@class="inq"]/text()').extract()[0]
            yield item
        # 当start后面的数字小于225就一直发请求
        if self.offset < 225:
            self.offset +=25
            # 回调函数仍然是这个方法
            yield scrapy.Request(self.url+str(self.offset),callback=self.parse)

爬虫第四步：存储内容，编写管道文件pipeline.py

• 将数据存储在Mongodb数据库里，需要先在配置文件里配置主机、端口、数据库名、表名，四个字段的数据（当然你也可以选择在pipelinse文件中写）

# python中操作Mongodb数据库是通过pymongo这个模块来实现的，所以要导入这个模块
import pymongo
# 导入setting.py中的相关内容
from scrapy.utils.project import get_project_settings
class DoubanPipeline(object):
    def __init__(self):
        settings = get_project_settings()
        # 主机ip
        host = settings["MONGODB_HOST"]
        # port
        port = settings["MONGODB_PORT"]
        # 数据库名
        dbname = settings['MONGODB_DBNAME']
        # 表名
        sheetname= settings['MONGODB_SHEETNAME']
        # 创建数据库连接
        client = pymongo.MongoClient(host=host,port=port)
        # 指定数据库
        mydb = client[dbname]
        # 指定数据库表名字
        self.sheet = mydb[sheetname]
    def process_item(self, item, spider):
        # 转为字典格式
        data = dict(item)
        # 插入数据
        self.sheet.insert(data)
        return item

最后配置完setting.py文件就可以运行了

• 以下只是需要添加或修改的代码，没有贴全

# 这个需要自己取消注释，才会执行我们的管道方法
ITEM_PIPELINES = {
   'douban.pipelines.DoubanPipeline': 300,
}
# MONGODB 主机名
MONGODB_HOST = "127.0.0.1"
# MONGODB 端口号
MONGODB_PORT = 27017
# MONGODB 数据库名
MONGODB_DBNAME = "Douban"
# MONGODB 存放的表名
MONGODB_SHEETNAME = "doubanmovies"

运行结果

• 用Robo 3T可视化工具查看数据：
  
  如图是拿到的250条数据，第一个是肖申克的救赎。