爬虫毕设（四）：多页爬取和数据持久化

多页爬取

上次说到电视剧的列表信息是通过Ajax网络请求获取到数据的，当我们打开页面的时候，页面再向另一地址发出请求，得到数据后再渲染到网页上，我们是在network中找到的目标url。所以说，当我们想要爬取第二页，第三页以后的内容所要请求的url都可以在network中找到。

我们请求的目标url是https://movie.douban.com/j/search_subjects?type=tv&tag=热门&sort=recommend&page_limit=20&page_start=0，很明显请求是带了几个参数的，在network中找到它。

我们在请求头的参数里找到了，总共有五个参数，看字面意思很好理解：

• type：tv，我们爬取的是电视剧，所以是tv；
• tag：热门，我们选择的是热门标签；
• sort：排序，我们选择的是recommend，按热度排序；
• page_limit：页限制，每页的电视剧列表中含有20部电视剧；
• page_start：每页是从第几部电视剧开始的，这里是0，也就是从头开始。

根据对参数的分析，我们只需要改动最后一个参数就可以了，所以我们就有了思路，在一个整数列表里循环，得到0、20、40...然后再转换为字符串拼接的前边的字符串中：

str(x) for x in range(0, 60, 20)

这里先爬取三页的做个示例，加入到__init__()中：

    def __init__(self, *args, **kwargs):
        super(tvSpider, self).__init__(*args, **kwargs)
        self.start_urls = ["https://movie.douban.com/j/search_subjects?type=tv&tag=热门&sort=recommend&page_limit=20&page_start=" + str(x) for x in range(0, 60 ,20)]

输入每页所有电视剧的url，运行结果：

输出200，并且输出了60个url。然后注释掉打印url的代码，调用解析函数就可以了。

数据持久化

使用pipeline文件将数据持久化，存储到json文件，后期再存储到数据库中。

class tvSpiderPipeline(object):
    def __init__(self):
        # 打开文件，二进制写入
        self.file = open('doubanTv.json', 'wb')
        self.exporter = JsonItemExporter(self.file, encoding="utf-8", ensure_ascii=False)
        self.exporter.start_exporting()

    def close_spider(self, spider):
        self.exporter.finish_exporting()
        self.file.close()

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

将pipeline加入到settings文件中启用：

ITEM_PIPELINES = {
   # 表示pipeline的优先级
  'Spider.pipelines.tvSpiderPipeline': 300,
}

运行以后，在文件夹中生成一个doubanTv.json的文件，打开文件并格式化，可以看到电视剧信息都以json格式写的整整齐齐。

图片下载

图片下载只需要使用内置的ImagesPipeline就可以。

我们先写get_media_requests（名字不可以改）函数，对每个图片的url发送请求：

    def get_media_requests(self, item, info):
        for image_url in item['tv_img']:
            # meta作为参数传给后边调用的函数
            yield scrapy.Request(image_url, meta={ 'item': item })

然后会自动调用item_completed函数，这个同样是不可以改名的：

    def item_completed(self, results, item, info):
        # 将下载的图片路径（传入到results中）存储到 image_paths 项目组中，如果其中没有图片，我们将丢弃项目:
        tv_img_path = [x['path'] for ok, x in results if ok]
        if not tv_img_path:
            raise DropItem("Item contains no images")
        item['tv_img_path'] = tv_img_path
        return item

这里有一个异常处理，如果没有图片，就丢弃掉这个item。

这时图片就可以下载了，但是图片的文件名都是哈希值，我们可以自定义文件名，这样我们可以方便的找到想要的图片：

    def file_path(self, request, response=None, info=None):
        # 图片名与网页中的一致
        url = request.url
        file_name = url.split('/')[-1]

        # 使用剧名命名
        # item = request.meta['item']
        # title = item['title']
        # url = request.url
        # file_name = title + '.' + url.split('.')[-1]
        return file_name

这里写了两种方法，第一种方法是与网页中的文件名保持一致，只需要对url使用split()方法就可以。

第二种可以使用电影名作为文件名，但是文件名中含有中文韩文等字符，可能会在后续编码中出现一系列稀奇古怪的问题。（这种方法真的显得花里胡哨并且没有卵用，有部剧的名字太长导致该剧的信息被丢弃）

little tip：如果不对文件名做改变，可以使用哈希值作为文件名，哈希值是唯一的，可以验证图片，在后期可以做查重使用。

在pipelines.py文件中完成以后同样要在settings文件中启用：

# settings.py

ITEM_PIPELINES = {
  'Spider.pipelines.tvSpiderPipeline': 300,
  'Spider.pipelines.GetImagePipeline': 299,
}
# 图片存储路径
IMAGES_STORE = 'D:\\Design\\code\\Spider\\Spider\\image'
# 图片有效期
IMAGES_EXPIRES = 30

运行代码，结果如下：

报错

Missing scheme in request url: h

这个报错是url的问题，request的参数url是列表类型的，而前边代码里是字符串类型的。

解决方法：在图片的字段外加中括号。

No module named 'PIL'

这个报错是由于python3中这个包已经被pillow代替。

解决办法：pip install pillow

个人微信公众号