Scrapy+Selenium关键字豆瓣读书评论爬取

迷南。 2021-12-24 08:55 356阅读 0赞

### 文章目录 ###

*   *  思路
     *   *  1. 根据关键字构造豆瓣搜索url, 根据结果获取书的id
         *  2. 根据id, 构造该书评论的url链接
         *  3. 爬取网页内容, 并构造下一页url
         *  4. 重复步骤3, 反复爬取
     *  过程
     *   *  1. 页面爬取测试
         *  2. 使用selenium工具获取id
         *  3. 将selenium集成到scrapy中
         *  4. 爬取结果
         *  5. 阶段性spider代码
     *  ip异常问题
     *   *  1. 给selenium添加代理
         *  2. 给scrapy添加代理
         *  3. 注意

想做一个爬虫, 输入一个关键字, 然后爬取豆瓣读书的第一个搜索结果的所有评论.

## 思路 ##

### 1. 根据关键字构造豆瓣搜索url, 根据结果获取书的id ###

如`https://book.douban.com/subject_search?search_text=太空漫游`, 第一个结果的链接中包含了这本书的id.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70]

### 2. 根据id, 构造该书评论的url链接 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 1]

### 3. 爬取网页内容, 并构造下一页url ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 2]

### 4. 重复步骤3, 反复爬取 ###

--------------------

## 过程 ##

### 1. 页面爬取测试 ###

使用`scrapy genspider doubanComments book.douban.com`生成爬取模板

基本代码爬取豆瓣读书主页`book.douban.com` 成功

# -*- coding: utf-8 -*-
    import scrapy
    
    
    class DoubancommentsSpider(scrapy.Spider):
        name = 'doubanComments'
        allowed_domains = ['book.douban.com']
        start_urls = ['https://book.douban.com/']
    
        def parse(self, response):
            print("hello?")
            with open("doubanComments.html", 'wb') as douban_comments_file:
                douban_comments_file.write(response.body)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 3]  
爬取太空漫游评论页也成功  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 4]

但是, 当我查看搜索页面的源码时, 发现并没有列表的信息, 关键字"太空漫游"少的可怜. 仔细查看发现, 它使用js渲染的, 直接看是看不到的.![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 5]  
用Chrome的检查元素发现, 可以看到列表信息. 但是直接爬取是看不到的. 因此无法用这种简单的方法找到书的id.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 6]

### 2. 使用selenium工具获取id ###

因此我们使用可以查看js渲染结果的工具Selenium.

首先安装Selenium  
`pip install selenium -i https://pypi.tuna.tsinghua.edu.cn/simple`

然后下载ChromeDriver  
[到官网下载对应系统和版本][Link 1]

写一个简单的selenium程序, 成功加载出js渲染的内容  
代码

from selenium import webdriver
    
    browser = webdriver.Chrome()
    browser.get('https://book.douban.com/subject_search?search_text=%E5%A4%AA%E7%A9%BA%E6%BC%AB%E6%B8%B8')
    with open("douban.html", 'w+', encoding='utf-8') as file:
        file.write(browser.page_source)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 7]

### 3. 将selenium集成到scrapy中 ###

将selenium集成到scrapy中, 写他所在的getID函数用来获取一本书的id.

接下来就是普通的爬虫爬取过程了, 内容如

1.  初始化csv文件, 因为后面的写入评论用的是追加模式, 每次运行都要重新
2.  将评论按行写入到csv文件中
3.  xpath选择器找出下一页的href, 构造下一页的链接
4.  使用scrapy.Request() 进行下一个页面的爬取

### 4. 爬取结果 ###

爬取了太空漫游的1700+的评论  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 8]  
九州的5000+的评论  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 9]  
但是遇到了爬取九州的评论时候遇到了一个问题. 同一个ip在短时间内大量访问豆瓣, 被发现了, 然后禁止我爬取了.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 10]

### 5. 阶段性spider代码 ###

# -*- coding: utf-8 -*-
    import scrapy
    from selenium import webdriver
    import re, csv
    
    def getID(search): # 获取书本id
        browser = webdriver.Chrome()
        browser.get('https://book.douban.com/subject_search?search_text={}'.format(search))
        html = browser.page_source
        id = re.findall(r'subject_id:\'(\d+)\'', html)[0]
        return id
    
    class DoubancommentsSpider(scrapy.Spider):
        name = 'doubanComments'
    
        search = input("请输入你要搜素的书籍: ")
        id = getID(search)
    
        with open("doubanBookComments_{}.csv".format(search), 'w', encoding='utf-8') as file:
            file.write('')
        start_urls = ['https://book.douban.com/subject/{}/comments/new'.format(id)]
    
        def parse(self, response):
            comments = response.xpath(r'//p[@class="comment-content"]/span/text()').extract()
            # 江评论写入到csv文件
            with open("doubanBookComments_{}.csv".format(self.search), 'a+', encoding='utf-8') as file:
                writer = csv.writer(file)
                for each in comments:
                    writer.writerow([each])
            # 构造下一页进行爬取
            next = response.xpath('//ul[@class="comment-paginator"]/li/a/@href').extract()
            print("next = ", next)
            next = next[-1]
            url = self.start_urls[0] + next.replace("new", '')
            print("url = ", url)
            yield scrapy.Request(url=url, callback=self.parse)

## ip异常问题 ##

可以设置程序隔一段时间爬取一次, 也可以随机设置时间, 显得是人在操作. 不过这样爬完的时间就长了很多.

或者可以设置代理

[免费的西刺代理][Link 2]  
找一个可行的ip

需要注意的是, 免费代理ip需要测试多次找到一个可以使用的

### 1. 给selenium添加代理 ###

原先`browser = webdriver.Chrome()` 改成下面有代理选项的代码

proxy = '61.128.208.94:3128' # 免费的代理ip
        chrome_options = webdriver.ChromeOptions()
        chrome_options.add_argument('--proxy-server=http://' + proxy)
    
        browser = webdriver.Chrome(chrome_options=chrome_options)

### 2. 给scrapy添加代理 ###

首先在middlewares.py文件的最后面, 添加下面的代理类

class ProxyMiddleware(object):
        def process_request(self, request, spider):
            request.meta['proxy'] = "https://61.128.208.94:3128" # 改成自己的代理

然后在settings.py后面添加下面代码

# 设置代理
    DOWNLOADER_MIDDLEWARES = { 
        'tutorial.middlewares.ProxyMiddleware': 100, # tutorial改成自己的项目名称
    }

使用selenium代理时, 可以使用`browser.get('http://httpbin.org/get')`来查看代理是否生效

### 3. 注意 ###

上面的这个方法暂时只是权宜之计, 因为只设置了一个ip, 所以当这个新的ip对豆瓣进行访问时, 如果他在一定时间内的访问次数过多, 就也会封ip, 这这么短的时间内, 可能还来不及爬完一本书的全部评论. 所以正解应该是设置代理池(还不会）.

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70]: /images/20211223/44341e7e15c24022a15ca70571f4c95b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 1]: /images/20211223/3d925d9f14c3493eb576fc6953b611c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 2]: /images/20211223/1d970610e800422e94cb9eb6ee5764e7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 3]: /images/20211223/3ca8bbce8b854a0183b95629fa6d0262.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 4]: /images/20211223/86e6e9f5cafc4ed0a7a1d29ac017b42f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 5]: /images/20211223/05057e02b10c48b2a17539573c810576.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 6]: /images/20211223/64838446e8b64a6b80d6a8385c7e45db.png
[Link 1]: https://sites.google.com/a/chromium.org/chromedriver/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 7]: /images/20211223/78bf9b7a777e4ad49fe2b68cab38256d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 8]: /images/20211223/c1a657f1538c4ee78a3efafbc961edef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 9]: /images/20211223/43afe84858de460e979af7c1089cef00.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 10]: /images/20211223/2b8972fe1e34423abdb42819ec5fae0d.png
[Link 2]: https://www.xicidaili.com/