Scrapy豆瓣搜索页爬虫

发表于 | 分类于
字数统计: 1,291字 | 阅读时长 ≈ 5 分钟

Scrapy 豆瓣搜索页爬虫

使用scrapy爬虫框架对豆瓣图书搜索结果进行爬取

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架

可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序

它提供了多种类型爬虫的基类，如BaseSpider、CrawlSpider等

主要组件

Scrapy框架主要由五大组件组成

  1. 调度器(Scheduler)
    调度器，说白了把它假设成为一个URL的优先队列，由它来决定下一个要抓取的网址是什么，同时去除重复的网址，用户可以自己的需求定制调度器。

  2. 下载器(Downloader)
    下载器，是所有组件中负担最大的，它用于高速地下载网络上的资源
    Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的 异步模型上的

  3. 爬虫(Spider)

    爬虫，是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法)，用于从特定的网页中提取自己需要的信息，即所谓的实体(Item)。 用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

  4. 实体管道(Item Pipeline)

    实体管道，用于处理爬虫(spider)提取的实体(Item)
    主要的功能是持久化实体、验证实体的有效性、清除不需要的信息

  5. Scrapy引擎(Scrapy Engine)

    Scrapy引擎是整个框架的核心
    它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程

在这里插入图片描述

数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

  1. 引擎打开一个网站，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)
  2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度
  3. 引擎向调度器请求下一个要爬取的URL
  4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(request方向)转发给下载器(Downloader)
  5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(response方向)发送给引擎
  6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理
  7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎
  8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器
  9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站

简单使用

创建项目 scrapy startproject xxx
创建爬虫 scrapy genspider xxx（爬虫名） xxx.com （爬取域）
生成文件 scrapy crawl xxx -o xxx.json (生成json/csv文件)
运行爬虫 scrapy crawl XXX
列出所有爬虫 scrapy list

scrapy项目目录结构

通过命令scrapy startproject tutorial创建一个新的项目tutorial

将会创建包含下列内容的 tutorial 目录

1
2
3
4
5
6
7
8
9
10
tutorial/						
    scrapy.cfg    		# 项目的配置文件
    tutorial/			# 该项目的python模块之后将在此加入代码
        __init__.py
        items.py		# 项目中的item文件
        pipelines.py	# 项目中的pipelines文件
        settings.py		# 项目的设置文件
        spiders/		# 放置spider代码的目录
            __init__.py
            ...

使用scrapy爬取豆瓣搜索页

分析

https://search.douban.com/movie/subject_search?search_text={search_text}&cat=1002&start={start}

search_text 搜索关键字

cat 搜索类别

start 开始的条数

url规则可以适用到图书电影搜索页面，后面的爬取也一样

爬取后发现页面信息都无法获取，但是可以找到有个window.__DATA__猜测数据都被加密成了这串字符串
在这里插入图片描述
一轮百度发现有大佬把加密的js代码提取出来了！

于是直接给出大佬的链接豆瓣读书搜索页的window.DATA的解密

解决了这个问题其他的就很好爬取了

代码

完整代码见github仓库

提取出的js在third_party/main.js

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
class DoubanBookSearchSpider(scrapy.Spider):
    name = 'douban_book_search'
    allowed_domains = ['douban.com']

    def __init__(self,keyword=None,start=None,*args, **kwargs):
        super(DoubanBookSearchSpider, self).__init__(*args, **kwargs)
        self.keyword = keyword
        self.start = start
        self.start_urls.append(f'https://search.douban.com/book/subject_search?search_text={self.keyword}&cat=1001&start={self.start}')

    def parse(self, response):
        r = re.search('window.__DATA__ = "([^"]+)"', response.text).group(1)
        # 导入js
        file_path = pathlib.Path.cwd() / 'third_party/main.js'
        with open(file_path, 'r', encoding='gbk') as f:
            decrypt_js = f.read()
        ctx = execjs.compile(decrypt_js)
        data = ctx.call('decrypt', r)
        for item in data['payload']['items']:
            if item.get('rating', None):
                cover_url = item['cover_url']
                score = item['rating']['value']
                score_num = item['rating']['count']
                url = item['url']
                abstract = item['abstract']
                title = item['title']
                id = item['id']
                yield DouBanBookSearchItem(
                    cover_url=cover_url,
                    score=score,
                    score_num=score_num,
                    url=url,
                    abstract=abstract,
                    title=title,
                    id=id)

参考

爬虫框架Scrapy个人总结（详细）熟悉

架构概览

Scrapy爬虫框架，入门案例（非常详细）

豆瓣读书搜索页的window.DATA的解密