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

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。
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
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
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
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

数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

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)
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
引擎向调度器请求下一个要爬取的URL
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)
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
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
Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎
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
(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

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__.pyitems.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

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

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 = keywordself.start = startself.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jsfile_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