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 scrapyclass 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 scrapyfrom douban.items import DoubanBookItemclass 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settingsfrom 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。