本文實(shí)例講述了Python利用Scrapy框架爬取豆瓣電影。分享給大家供大家參考，具體如下：

1、概念

Scrapy是一個(gè)為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘，信息處理或存儲(chǔ)歷史數(shù)據(jù)等一系列的程序中。

通過Python包管理工具可以很便捷地對(duì)scrapy進(jìn)行安裝，如果在安裝中報(bào)錯(cuò)提示缺少依賴的包，那就通過pip安裝所缺的包

pip install scrapy

scrapy的組成結(jié)構(gòu)如下圖所示

引擎Scrapy Engine，用于中轉(zhuǎn)調(diào)度其他部分的信號(hào)和數(shù)據(jù)傳遞

調(diào)度器Scheduler，一個(gè)存儲(chǔ)Request的隊(duì)列，引擎將請(qǐng)求的連接發(fā)送給Scheduler，它將請(qǐng)求進(jìn)行排隊(duì)，但引擎需要時(shí)再將隊(duì)列中的第一個(gè)請(qǐng)求發(fā)送給引擎

下載器Downloader，引擎將請(qǐng)求Request鏈接發(fā)送給Downloader之后它就從互聯(lián)網(wǎng)上下載相應(yīng)的數(shù)據(jù)，并將返回的數(shù)據(jù)Responses交給引擎

爬蟲Spiders，引擎將下載的Responses數(shù)據(jù)交給Spiders進(jìn)行解析，提取我們需要的網(wǎng)頁信息。如果在解析中發(fā)現(xiàn)有新的所需要的url連接，Spiders會(huì)將鏈接交給引擎存入調(diào)度器

管道Item Pipline，爬蟲會(huì)將頁面中的數(shù)據(jù)通過引擎交給管道做進(jìn)一步處理，進(jìn)行過濾、存儲(chǔ)等操作

下載中間件Downloader Middlewares，自定義擴(kuò)展組件，用于在請(qǐng)求頁面時(shí)封裝代理、http請(qǐng)求頭等操作

爬蟲中間件Spider Middlewares，用于對(duì)進(jìn)入Spiders的Responses和出去的Requests等數(shù)據(jù)作一些修改

scrapy的工作流程：首先我們將入口url交給spider爬蟲，爬蟲通過引擎將url放入調(diào)度器，經(jīng)調(diào)度器排隊(duì)之后返回第一個(gè)請(qǐng)求Request，引擎再將請(qǐng)求轉(zhuǎn)交給下載器進(jìn)行下載，下載好的數(shù)據(jù)交給爬蟲進(jìn)行爬取，爬取的數(shù)據(jù)一部分是我們需要的數(shù)據(jù)交給管道進(jìn)行數(shù)據(jù)清洗和存儲(chǔ)，還有一部分是新的url連接會(huì)再次交給調(diào)度器，之后再循環(huán)進(jìn)行數(shù)據(jù)爬取

2、新建Scrapy項(xiàng)目

首先在存放項(xiàng)目的文件夾內(nèi)打開命令行，在命令行下輸入scrapy startproject 項(xiàng)目名稱，就會(huì)在當(dāng)前文件夾自動(dòng)創(chuàng)建項(xiàng)目所需的python文件，例如創(chuàng)建一個(gè)爬取豆瓣電影的項(xiàng)目douban，其目錄結(jié)構(gòu)如下：

Db_Project/  scrapy.cfg        --項(xiàng)目的配置文件  douban/          --該項(xiàng)目的python模塊目錄，在其中編寫python代碼    __init__.py      --python包的初始化文件    items.py       --用于定義item數(shù)據(jù)結(jié)構(gòu)    pipelines.py     --項(xiàng)目中的pipelines文件    settings.py      --定義項(xiàng)目的全局設(shè)置，例如下載延遲、并發(fā)量    spiders/       --存放爬蟲代碼的包目錄      __init__.py      ...

之后進(jìn)入spiders目錄下輸入scrapy genspider 爬蟲名 域名，就會(huì)生成爬蟲文件douban.py文件，用于之后定義爬蟲的爬取邏輯和正則表達(dá)式等內(nèi)容

scrapy genspider douban movie.douban.com

3、定義數(shù)據(jù)

要爬取的豆瓣電影網(wǎng)址為 https://movie.douban.com/top250，其中的每個(gè)電影如下

我們要爬取其中的序號(hào)、名稱、介紹、星級(jí)、評(píng)論數(shù)、描述這幾個(gè)關(guān)鍵信息，因此需要在管道文件items.py中先定義這幾個(gè)對(duì)象，類似于ORM，通過scrapy.Field()方法為每個(gè)字段定義一個(gè)數(shù)據(jù)類型