python爬取豆瓣250存入mongodb全纪录
Posted 编城浪子
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬取豆瓣250存入mongodb全纪录相关的知识,希望对你有一定的参考价值。
用了一周的时间总算搞定了,跨过了各种坑,总算调试成功了,记录如下:
1、首先在cmd中用命令行建立douban爬虫项目
scrapy startproject douban
2、我用的是pycharm,导入项目后,
1)在items.py中定义爬取的字段
items.py代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
|
# -*- coding: utf-8 -*- import scrapy class DoubanBookItem(scrapy.Item): name = scrapy.Field() # 书名 price = scrapy.Field() # 价格 edition_year = scrapy.Field() # 出版年份 publisher = scrapy.Field() # 出版社 ratings = scrapy.Field() # 评分 author = scrapy.Field() # 作者 content = scrapy.Field() |
2)在spiders文件夹下建立一个新的爬虫bookspider.py,爬取网页的代码都在这里写。
以下是爬虫bookspider.py代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
# -*- coding:utf-8 -*- import scrapy from douban.items import DoubanBookItem class BookSpider(scrapy.Spider): name = \'douban-book\' allowed_domains = [ \'douban.com\' ] start_urls = [ \'https://book.douban.com/top250\' ] def parse( self , response): # 请求第一页 yield scrapy.Request(response.url, callback = self .parse_next) # 请求其它页 for page in response.xpath( \'//div[@class="paginator"]/a\' ): link = page.xpath( \'@href\' ).extract()[ 0 ] yield scrapy.Request(link, callback = self .parse_next) def parse_next( self , response): for item in response.xpath( \'//tr[@class="item"]\' ): book = DoubanBookItem() book[ \'name\' ] = item.xpath( \'td[2]/div[1]/a/@title\' ).extract()[ 0 ] book[ \'content\' ] = item.xpath( \'td[2]/p/text()\' ).extract()[ 0 ] # book_info = item.xpath("td[2]/p[1]/text()").extract()[0] # book_info_content = book_info.strip().split(" / ") # book["author"] = book_info_content[0] # book["publisher"] = book_info_content[-3] # book["edition_year"] = book_info_content[-2] # book["price"] = book_info_content[-1] book[ \'ratings\' ] = item.xpath( \'td[2]/div[2]/span[2]/text()\' ).extract()[ 0 ] yield book |
3)在settings.py文件中配置请求头及mongodb信息
from faker import Factoryf = Factory.create()USER_AGENT = f.user_agent()
DEFAULT_REQUEST_HEADERS = { \'Host\': \'book.douban.com\',\'Accept\': \'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\',\'Accept-Language\': \'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3\',\'Accept-Encoding\': \'gzip, deflate, br\',\'Connection\': \'keep-alive\',}
1
2
3
4
|
<br data - filtered = "filtered" >MONGODB_HOST = "127.0.0.1" / / 在本机调试就这个地址 MONGODB_PORT = 27017 / / 默认端口号 MONGODB_DBNAME = "jkxy" / / 数据库名字 MONGODB_DOCNAME = "Book" / / 集合名字,相当于表名 |
4)在pipelines.py中编写处理代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -*- coding: utf-8 -*- # form scrapy.conf import settings 已经过时不用了,采用下面的方法引入settings from scrapy.utils.project import get_project_settings / / 因mongodb的host地址,端口号等都在settings中配置的,所以要把该文件导入进来。 settings = get_project_settings() import pymongo / / 导入mongodb连接模块 class DoubanBookPipeline( object ): def __init__( self ): host = settings[ "MONGODB_HOST" ] / / 从settings中取出host地址 port = settings[ "MONGODB_PORT" ] dbname = settings[ "MONGODB_DBNAME" ] client = pymongo.MongoClient(host = host,port = port) / / 创建一个MongoClient实例 tdb = client[dbname] / / 创建jkxy数据库,dbname = “jkxy” self .post = tdb[settings[ "MONGODB_DOCNAME" ]] / / 创建数据库集合Book,相当于创建表 def process_item( self , item, spider): info = item[ \'content\' ].split( \' / \' ) # [法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元 item[ \'name\' ] = item[ \'name\' ] item[ \'price\' ] = info[ - 1 ] item[ \'edition_year\' ] = info[ - 2 ] item[ \'publisher\' ] = info[ - 3 ] bookinfo = dict (item) / / 将爬取的数据变为字典 self .post.insert(bookinfo) / / 将爬取的数据插入mongodb数据库 return item |
3、在cmd中进入douban项目spiders目录,输入scrapy runspiders bookspider.py,运行编写的爬虫
至此大功告成!
以下是在mongodb中爬取的数据图
感想:
1、pycharm不能直接建立scrapy项目,需要在cmd中用命令scrapy startproject douban建立,
2、同样,在pycharm中如果不配置的话,直接点运行也没有用(一开始不知道怎么回事,点了运行,提示成功了,但是数据库里啥东西也没有,后来上网查了才发现要在cmd中用scrapy命令才行),但也有文章说在pycharm中设置一下就可以运行了,但我没试成功。
3、网上查到的在cmd下先进入项目目录,用命令scrapy crawl 项目名,我就在cmd目录下用scrapy crawl douban,但我试了多次都不行。
以为是不是crawl命令不对,就在cmd下输入scrapy -h查看一下都有啥命令,里面没有crawl命令,但是有一个runspiders 命令,就尝试进入spiders目录,直接运行bookspider.py,至此终于成功。
以上是关于python爬取豆瓣250存入mongodb全纪录的主要内容,如果未能解决你的问题,请参考以下文章