python爬取豆瓣250存入mongodb全纪录

用了一周的时间总算搞定了，跨过了各种坑，总算调试成功了，记录如下：

1、首先在cmd中用命令行建立douban爬虫项目

scrapy startproject douban

2、我用的是pycharm，导入项目后，

1）在items.py中定义爬取的字段

items.py代码如下：

# -*- coding: utf-8 -*-
import scrapy
 
 
class DoubanBookItem(scrapy.Item):
    name = scrapy.Field()            # 书名
    price = scrapy.Field()           # 价格
    edition_year = scrapy.Field()    # 出版年份
    publisher = scrapy.Field()       # 出版社
    ratings = scrapy.Field()         # 评分
    author = scrapy.Field()          # 作者
    content = scrapy.Field()

2）在spiders文件夹下建立一个新的爬虫bookspider.py，爬取网页的代码都在这里写。

以下是爬虫bookspider.py代码

# -*- coding:utf-8 -*-
 
import scrapy
from douban.items import DoubanBookItem
 
 
class BookSpider(scrapy.Spider):
    name = 'douban-book'
    allowed_domains = ['douban.com']
    start_urls = [
        'https://book.douban.com/top250'
    ]
 
    def parse(self, response):
 
        # 请求第一页
        yield scrapy.Request(response.url, callback=self.parse_next)
 
        # 请求其它页
        for page in response.xpath('//div[@class="paginator"]/a'):
            link = page.xpath('@href').extract()[0]
            yield scrapy.Request(link, callback=self.parse_next)
 
    def parse_next(self, response):
        for item in response.xpath('//tr[@class="item"]'):
            book = DoubanBookItem()
            book['name'] = item.xpath('td[2]/div[1]/a/@title').extract()[0]
            book['content'] = item.xpath('td[2]/p/text()').extract()[0]
            # book_info = item.xpath("td[2]/p[1]/text()").extract()[0]
            # book_info_content = book_info.strip().split(" / ")
            # book["author"] = book_info_content[0]
            # book["publisher"] = book_info_content[-3]
            # book["edition_year"] = book_info_content[-2]
            # book["price"] = book_info_content[-1]
            book['ratings'] = item.xpath('td[2]/div[2]/span[2]/text()').extract()[0]
            yield book

3）在settings.py文件中配置请求头及mongodb信息

from faker import Factoryf = Factory.create()USER_AGENT = f.user_agent()

DEFAULT_REQUEST_HEADERS = {    'Host': 'book.douban.com','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3','Accept-Encoding': 'gzip, deflate, br','Connection': 'keep-alive',}

<br data-filtered="filtered">MONGODB_HOST = "127.0.0.1" //在本机调试就这个地址
MONGODB_PORT = 27017   //默认端口号
MONGODB_DBNAME = "jkxy"  //数据库名字
MONGODB_DOCNAME = "Book"   //集合名字，相当于表名

4）在pipelines.py中编写处理代码

# -*- coding: utf-8 -*-
# form scrapy.conf import settings  已经过时不用了，采用下面的方法引入settings
from scrapy.utils.project import get_project_settings  //因mongodb的host地址，端口号等都在settings中配置的，所以要把该文件导入进来。
settings = get_project_settings()
import pymongo  //导入mongodb连接模块
 
class DoubanBookPipeline(object):
    def __init__(self):
        host = settings["MONGODB_HOST"]  //从settings中取出host地址
        port = settings["MONGODB_PORT"]
        dbname = settings["MONGODB_DBNAME"]
        client = pymongo.MongoClient(host=host,port=port) // 创建一个MongoClient实例
        tdb = client[dbname]   //创建jkxy数据库，dbname=“jkxy”
        self.post = tdb[settings["MONGODB_DOCNAME"]]  //创建数据库集合Book，相当于创建表
 
    def process_item(self, item, spider):
        info = item['content'].split(' / ')  # [法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元
        item['name'] = item['name']
        item['price'] = info[-1]
        item['edition_year'] = info[-2]
        item['publisher'] = info[-3]
 
        bookinfo = dict(item)  //将爬取的数据变为字典
        self.post.insert(bookinfo)  //将爬取的数据插入mongodb数据库
        return item

　　3、在cmd中进入douban项目spiders目录，输入scrapy runspiders bookspider.py,运行编写的爬虫

至此大功告成！

以下是在mongodb中爬取的数据图

感想：

1、pycharm不能直接建立scrapy项目，需要在cmd中用命令scrapy startproject douban建立，

2、同样，在pycharm中如果不配置的话，直接点运行也没有用（一开始不知道怎么回事，点了运行，提示成功了，但是数据库里啥东西也没有，后来上网查了才发现要在cmd中用scrapy命令才行），但也有文章说在pycharm中设置一下就可以运行了，但我没试成功。

3、网上查到的在cmd下先进入项目目录，用命令scrapy crawl 项目名，我就在cmd目录下用scrapy crawl douban，但我试了多次都不行。

以为是不是crawl命令不对，就在cmd下输入scrapy -h查看一下都有啥命令，里面没有crawl命令，但是有一个runspiders 命令，就尝试进入spiders目录，直接运行bookspider.py，至此终于成功。