[[434087]]

大家好，我是菜鳥哥！

今天來跟大家分享一下，基于Scrapy的微博爬蟲應(yīng)該怎么寫。

之前分享過一個Requests對微博評論的爬蟲，已經(jīng)對頁面進行了全面的分析，本文主要注重對數(shù)據(jù)采集、存儲和文件配置進行分析講解。

一、Scrapy簡介

首先，我們需要對Scrapy框架有一個簡單的了解，不然在你書寫代碼的時候會非常的麻煩。

01 安裝

使用pip對Scrapy進行安裝，代碼如下：

pip install scrapy 

02 創(chuàng)建項目

安裝好Scrapy框架之后，我們需要通過終端，來創(chuàng)建一個Scrapy項目，命令如下：

scrapy startproject weibo 

創(chuàng)建好后的項目結(jié)構(gòu)，如下圖：

這里我們來簡單介紹一下結(jié)構(gòu)中我們用到的部分的作用，有助于我們后面書寫代碼。

spiders是存放爬蟲程序的文件夾，將寫好的爬蟲程序放到該文件夾中。items用來定義數(shù)據(jù)，類似于字典的功能。settings是設(shè)置文件，包含爬蟲項目的設(shè)置信息。pipelines用來對items中的數(shù)據(jù)進行進一步處理，如：清洗、存儲等。

二、數(shù)據(jù)采集

經(jīng)過上面的簡單介紹，我們現(xiàn)在對Scrapy框架有了簡單的了解，下面我們開始寫數(shù)據(jù)采集部分的代碼。

01. 定義數(shù)據(jù)

首先，我們對數(shù)據(jù)存儲的網(wǎng)頁進行觀察，方便我們對獲取數(shù)據(jù)進行定義

通過對網(wǎng)頁中數(shù)據(jù)存儲的形式進行觀察后，items.py中對數(shù)據(jù)的定義方式為：

data = scrapy.Field() 

02. 編輯爬蟲

接下來我們在spiders文件夾里面創(chuàng)建一個weibo.py爬蟲程序用以書寫請求的爬蟲代碼

代碼如下： 

import scrapy  
class WeiboSpider(scrapy.Spider):  
   name = 'weibo'  #用于啟動微博程序  
   allowed_domains = ['m.weibo.cn']  #定義爬蟲爬取網(wǎng)站的域名  
   start_urls = ['https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id_type=0']  #定義起始網(wǎng)頁的網(wǎng)址  
  for i in res['data']['data']:  
     weibo_item = WeiboItem()  
     weibo_item['data'] = re.sub(r'<[^>]*>', '', i['text'])  
     # start_url = ['https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&'+str(max_id)+'&max_id_type=0']  
     yield weibo_item  #將數(shù)據(jù)回傳給items 

03. 遍歷爬取

學(xué)過Requests對微博評論進行爬蟲的朋友應(yīng)該知道，微博評論的URL構(gòu)造方式，這里我直接展示構(gòu)造代碼： 

max_id_type = res['data']['max_id_type']  
if int(max_id_type) == 1:  
   new_url = 'https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id=' + str(  
       max_id) + '&max_id_type=1'  
else:  
   new_url = 'https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id=' + str(  
       max_id) + '&max_id_type=0' 

三、數(shù)據(jù)存儲

光爬取下來數(shù)據(jù)是不行的，我們還需要對數(shù)據(jù)進行存儲，這里我采用的是csv文件，來對評論數(shù)據(jù)進行存儲，代碼如下： 

class CsvItemExporterPipeline(object):  
   def __init__(self):  
       # 創(chuàng)建接收文件,初始化exporter屬性  
       self.file = open('text.csv','ab')  
       self.exporter = CsvItemExporter(self.file,fields_to_export=['data'])  
       self.exporter.start_exporting() 

四、程序配置

光寫上面的代碼是無法爬取到評論的，因為我們還沒有對整個程序進行有效的配置，下面我們就在settings.py里面進行配置。

01. 不遵循robots協(xié)議

需要對robts協(xié)議的遵守進行修改，如果我們遵循網(wǎng)頁的robots協(xié)議的話，那無法進行爬取，代碼如下： 

# Obey robots.txt rules  
ROBOTSTXT_OBEY = False 

02. 使用自定義cookie

我們知道，想要爬取微博評論，需要帶上自己的cookie用以信息校驗，因為我們的cookie是在headers中包裹著的，所以我們需要將COOKIES_ENABLED改為False，代碼如下： 

# Disable cookies (enabled by default)  
COOKIES_ENABLED = False 

03. 打開管道

想要進行數(shù)據(jù)存儲，還需要在配置中，打開通道，用以數(shù)據(jù)傳輸，代碼如下： 

# Configure item pipelines  
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html  
ITEM_PIPELINES = {  
  'weibo.pipelines.CsvItemExporterPipeline': 1,  
  'weibo.pipelines.WeiboPipeline': 300,  
} 

五、啟動程序

我們在spiders同級的的目錄下創(chuàng)建一個wb_main.py文件，便于我們在編輯器中啟動程序，代碼如下： 

from scrapy import cmdline  
#導(dǎo)入cmdline模塊,可以實現(xiàn)控制終端命令行。  
cmdline.execute(['scrapy','crawl','weibo'])  
#用execute（）方法，輸入運行scrapy的命令。 

六、總結(jié)

本文詳細的介紹了，如何用Scrapy框架來對微博評論進行爬取，建議大家動手實操一下，便于理解。本文僅供學(xué)習(xí)參考，不做它用。