设为首页收藏本站
切换到窄版

鱼C论坛

 找回密码
 立即注册
鱼C论坛»论坛 › 技术交流 › Python交流 › Scrapy+MongoDB爬取豆瓣《我不是药神》短评
返回列表 发新帖
查看: 1463|回复: 7

[作品展示] Scrapy+MongoDB爬取豆瓣《我不是药神》短评

[复制链接]
孤独的嫖客
发表于 2018-9-24 07:47:02 | 显示全部楼层 |阅读模式

马上注册，结交更多好友，享用更多功能^_^

您需要 登录 才可以下载或查看，没有账号？立即注册

x
框架入门类练手项目,Scrapy+MongoDB爬取豆瓣《我不是药神》短评
先看看词云成果图:

                               
登录/注册后可看大图

数据库存储图:

                               
登录/注册后可看大图

由于豆瓣短评网页比较简单，且不存在动态加载的内容，我们下面就直接上代码。有一点需要注意的是，豆瓣短评的前几页不需要登录就可以看，但是后面的内容是是需要我们登录才能查看的，因此我们需要添加自己的cookie。
项目代码
Items.py
  1. import scrapy

  3. class DbmoivesItem(scrapy.Item):
  4.     comments = scrapy.Field()
  5.     # 只爬取内容,所以就一个字段
复制代码

Spider.py
  1. # -*- coding: utf-8 -*-
  2. from scrapy import  Request,Spider
  3. from lxml import etree
  4. from ..items import DbmoivesItem
  5. import scrapy


  8. class DbspiderSpider(scrapy.Spider):
  9.     '''
  10.     我不是药神
  11.     '''
  12.     name = 'DBspider'
  13.     allowed_domains = ['douban.com']
  14.     start_urls = ['http://douban.com/']
  15.     def start_requests(self):
  16.         templateurl = 'https://movie.douban.com/subject/26752088/comments?start={}&limit=20&sort=new_score&status=P'
  17.     # 构造翻页URL
  18.         for i in range(9091):
  19.             url = templateurl.format(str(i*20))
  20.             yield Request(url = url, callback=self.parse)
  21.     # 请求网页后解析需要的内容
  22.     def parse(self, response):
  23.         selector = etree.HTML(response.text)
  24.         item = DbmoivesItem()
  25.         item['comments'] = selector.xpath('//div[@class="comment"]/p/text()')
  26.         yield item
复制代码

Pipelines.py
  1. import pymongo

  3. class MongoPipeline(object):
  4.     collection = 'yaoshen' # <我不是药神>数据表
  5.    
  6.   # 初始化数据库连接
  7.     def __init__(self,mongo_url,mongo_db):
  8.         self.mongo_url = mongo_url
  9.         self.mongo_db = mongo_db
  10.         
  11.   # 读取settings.py里的数据库配置信息
  12.     @classmethod
  13.     def from_crawler(cls,crawler):
  14.         return cls(
  15.             mongo_url=crawler.settings.get('MONGO_URL'),
  16.             mongo_db = crawler.settings.get('MONGO_DB')
  17.         )
  18.   
  19.     # 启动爬虫后连接数据库
  20.     def open_spider(self,spider):
  21.         self.client = pymongo.MongoClient(self.mongo_url)
  22.         self.db = self.client[self.mongo_db]
  23.         
  24.   # 停止爬虫后关闭数据库
  25.     def close_spider(self,spider):
  26.         self.client.close()
  27.         
  28.   # 写入爬取内容到数据库
  29.     def process_item(self,item,spider):
  30.         table = self.db[self.collection]
  31.         for com in item['comments']:
  32.             data = dict()
  33.             data['comments'] = com.strip().replace('\n','')
  34.             table.insert_one(data)
  35.         return item
复制代码

Middlewares.py
  1. from scrapy import signals
  2. from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
  3. import random

  5. class MyUseragentMiddleware(UserAgentMiddleware):
  6.     '''
  7.     设置User-Agent
  8.     '''

  10.     def __int__(self,user_agent):
  11.         self.user_agent = user_agent
  12.         
  13.   # 读取settings.py中的User-Agent
  14.     @classmethod
  15.     def from_crawler(cls, crawler):
  16.         return cls(
  17.             user_agent=crawler.settings.get('USER_AGENTS')
  18.         )
  19.    
  20.   # 随机选择User-Agent 防止爬虫被ban
  21.     def process_request(self, request, spider):
  22.         agent = random.choice(self.user_agent)
  23.         request.headers['User-Agent'] = agent
复制代码

Settings.py
  1. BOT_NAME = 'DBmoives'

  3. SPIDER_MODULES = ['DBmoives.spiders']
  4. NEWSPIDER_MODULE = 'DBmoives.spiders'
  5. # 关闭robots协议
  6. ROBOTSTXT_OBEY = False
  7. # 设置延迟
  8. DOWNLOAD_DELAY = 3
  9. # 数据库配置信息
  10. MONGO_URL= 'mongodb://localhost:27017'
  11. MONGO_DB = 'douban'
  12. # 关闭框架自身的cookies处理
  13. COOKIES_ENABLED = False
  14. DEFAULT_REQUEST_HEADERS = {
  15.     'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
  16.     'Accept-Language': 'zh-CN,zh;q=0.9',
  17.     'Cookie': "你自己的cookies"
  18. }

  20. # 启用中间件
  21. DOWNLOADER_MIDDLEWARES = {
  22.     'DBmoives.middlewares.MyUseragentMiddleware': 400,
  23. }
  24. # 启用管道配置文件
  25. ITEM_PIPELINES = {
  26.     'DBmoives.pipelines.MongoPipeline': 300,
  27. }

  29. # UA库
  30. USER_AGENTS = [
  31.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  32.     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
  33.     "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  34.     "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
  35.     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
  36.     "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
  37.     "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
  38.     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
  39.     "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
  40.     "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
  41.     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
  42.     "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
  43.     "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
  44.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
  45.     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
  46.     "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
  47.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
  48.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
  49.     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
  50.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
  51.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
  52.     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
  53.     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
  54.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
  55.     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
  56.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
  57.     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
  58.     "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
  59.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
  60.     "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
  61.     "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
  62.     "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
  63.     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
  64.     "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
  65.     "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
  66. ]
复制代码

注意：
请把COOKIES_ENABLED设置为 False，你可能觉得奇怪，为什么我们使用了cookie却需要把它设置为False，原因在于，我们直接把cookie放在了请求头里面，但是scrapy默认自己拥有一套处理cookie的中间件，当你把它设置为True的时候，两者会产生影响，从而请求失败，你可以自己尝试一下。那如果我执意要把他设置为True呢，难道就不能解决了么？当然是可以的，但是我们今天就不在深入的讨论这个问题，以后可以单独解释。

我们这里抓取评论数据是为了之后的分析所用。

你可以去github下载以上的代码和相应的评论数据。
github地址: https://github.com/cnkai/comment.git
声明：本文仅供学习交流所用。
参考链接:http://www.cnblogs.com/cnkai/p/7418330.html
大家如若有兴趣，欢迎朋友，可以加交流群：692858412一起学习
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复

使用道具 举报

孤独的嫖客
 楼主| 发表于 2018-9-24 07:48:07 | 显示全部楼层
我先来赚点鱼币
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

Legend丶Hu
发表于 2018-9-24 11:06:28 | 显示全部楼层
虽然看不懂，但感觉很厉害！！
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

学学看看
头像被屏蔽
发表于 2018-9-25 10:07:06 | 显示全部楼层

回帖奖励 +3 鱼币

提示: 作者被禁止或删除 内容自动屏蔽
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复

使用道具 举报

余生愿你常欢笑
发表于 2018-9-25 16:17:18 | 显示全部楼层
强
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复

使用道具 举报

whdd
发表于 2018-9-25 18:28:39 | 显示全部楼层

回帖奖励 +3 鱼币

LEARNING
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

钱闻韬
发表于 2018-9-28 21:46:14 | 显示全部楼层

回帖奖励 +3 鱼币

学习
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复

使用道具 举报

626562349
发表于 2019-11-26 20:52:25 | 显示全部楼层
1
想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
回复

使用道具 举报

返回列表 发新帖
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-4-20 04:15

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表