Scrapy 通过登录的方式爬取豆瓣影评数据
由于需要爬取影评数据在来做分析，就选择了豆瓣影评来抓取数据，工具使用的是Scrapy工具来实现。scrapy工具使用起来比较简单，主要分为以下几步：
1、创建一个项目 ==scrapy startproject Douban
-
得到一个项目目录如下：
├── Douban
│ ├── init.py
│ ├── items.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ └── init.py
└── scrapy.cfg2 directories, 6 files
然后定义一个Item项
定义Item项，主要是为了方便得到爬取得内容。（根据个人需要定义吧，不定义也可以。）定义一个爬虫类
由上面的目录上，知道放在spider下面。可以根据不同的需要继承 scrapy.Spider 或者是CrawlSpider。然后定义url以及parse方法
当然也可以使用命令来生成模板scrapy genspider douban douban.com抓取内容
使用命令 scrapy crawl spidername
具体可以参照Scrapy手册(scrapy tutorial)
通过scrapy 参考手册的程序定义之后，会发现在爬不到数据，这是因为豆瓣使用了反爬虫机制。我们可以在setting.py内启动DOWNLOAD_DELAY=3 以及User-Agent代理：USER_AGENT = 'Douban (+http://www.douban.com)'
这样就可以开启爬虫了。
但是在爬取豆瓣影评数据的时候，会发现，最多只能爬取10页，然后豆瓣就需要你登录。不然就只能爬取10页数据（从浏览去看，也是只能看到10页数据）。
这就需要我们登录之后再去爬取数据了。
然后在Scrapy手册的Spider部分，发现了可以使用如下方式实现登录：
- class MySpider(scrapy.Spider):
- name = 'myspider'
- def start_requests(self):
- return [scrapy.FormRequest("http://www.example.com/login",
- formdata={'user': 'john', 'pass': 'secret'},
- callback=self.logged_in)]
- def logged_in(self, response):
- # here you would extract links to follow and return Requests for
- # each of them, with another callback
- pass
通过上面的方法，就可以实现登录豆瓣爬取想要的数据了。
** 本篇笔记初略的记录了如何登录豆瓣爬取数据。
下面试自己写的spider/Doubanspider.py的代码，仅供参考：
- # -*- coding: utf-8 -*-
- import scrapy
- from scrapy.selector import Selector
- from Douban.items import DoubanItem
- class Doubanspider(scrapy.Spider):
- # 定义爬虫的名字
- name = "doubanmovie"
- allowed_domains = ["douban.com"]
- # 初始化url
- # start_urls = (
- # 'https://movie.douban.com/subject/26266072/comments',
- # )
- def start_requests(self):
- # print u'开始'
- return [scrapy.FormRequest('https://www.douban.com/login',
- formdata={'form_email': 'your username', 'form_password': 'your password'}, callback = self.logged_in)]
- def logged_in(self, response):
- # 登陆完成之后开始爬取数据
- # print u'成功？'
- yield Request('https://movie.douban.com/subject/26266072/comments', callback = self.parse)
- # 定义解析的方法
- def parse(self, response):
- # print u'爬取'
- sel = Selector(response)
- self.log("Hi, this is an item page! %s" % response.url)
- item = DoubanItem()
- # 每条短评的xpath
- item['comment'] = sel.xpath('//div[@class = "comment"]/p[@class = ""]/text()[1]').extract()
- # 每个评分的xpath
- item['grade'] = sel.xpath('//div[@class = "comment"]/h3/span[@class = "comment-info"]/span[contains(@class,"allstar")]/@title').extract()
- yield item
- # 下一页的xpath， 如有，则又发出新的请求
- next_page = '//div[@id = "paginator"]/a[@class="next"]/@href'
- if response.xpath(next_page):
- url_nextpage = 'https://movie.douban.com/subject/26266072/comments' + response.xpath(next_page).extract()[0]
- request = Request(url_nextpage, callback = self.parse)
- yield request
items.py的定义如下：
- import scrapy
- class DoubanItem(scrapy.Item):
- # define the fields for your item here like:
- # name = scrapy.Field()
- comment = scrapy.Field()
- grade = scrapy.Field()
再在setting里面设置好，就可以爬取数据了！
2016.8.30
Fly