Scrapy项目实战

抓取豆瓣电影top250数据，并将数据保存为csv，json格式存储到MongoDB数据库中，目标URL为https://movie.douban.com/top250

一、创建项目

    进入自定义的项目目录中，运行scrapy startproject douban 

    douban为项目名称，将会创建一个douban文件夹，包含以下文件。

    分别是

• scrapy.cfg: 项目的配置文件。

• douban/: 项目的Python模块，将会从这里引用代码。

• douban/items.py: 项目的目标文件。

• douban/pipelines.py: 项目的管道文件。

• douban/settings.py: 项目的设置文件。

• douban/spiders/: 存储爬虫代码目录。

    打开豆瓣项目，进入到spiders文件夹下，运行scrapy genspider douban_spider movie.douban.com，就会在spiders文件夹下生成douban_spider.py

二、明确目标

三、spider文件的编写

    运行豆瓣项目：scrapy crawl douban_spider 

    运行过程中报错 ： no module named ‘_sqlite3’

    安装好sqlite3后，重新编译安装python3

    make && make install 重新编译python3完成。

    进入豆瓣项目，重新运行scrapy crawl douban_spider，有如下报错：

    这种报错是由于USER_AGENT不是规范的格式引起的，修改成规范的即可。

    在pycharm输出所需内容，先在douban文件夹下创建一个main.py，如图：

    编写解析文件，主要使用xpath。在Chrome浏览器安装并启用xpath helper，方便解析。在Chrome浏览器使用shift+Ctrl+X启用xpath插件。

四、数据的存储

    导出数据：scrapy crawl douban_spider -o test.json  或者 scrapy crawl douban_spider -o test.csv 数据以Unicode格式保存。将它导出到Windows下：sz test.csv     打开是乱码，右键该文件，选择edit with notepad++打开，选择编码，选择“使用UTF-8-BOM编码”保存。用Excel表格打开可正常浏览。

    如何将数据保存到MongoDB中？

    在setting.py中定义对应IP地址、端口号、数据库名称、数据表名称。

    在编写pipspiders.py，检查有没有安装pymongo。安装pip3 install pymongo。

    通过数据库进行连接

标签：实战,douban,项目,py,spider,Scrapy,crawl,scrapy
来源： http://blog.51cto.com/13870710/2349004