/ScrapyDouban

豆瓣电影/豆瓣读书 Scarpy 爬虫

Primary LanguagePython

ScrapyDouban

ScrapyDouban Demo 演示视频

基于 Python3 的豆瓣电影/豆瓣读书 Scarpy 爬虫,实现封面下载+元数据抓取+评论入库+IP 代理池。

维护这个项目的目的是分享一些我在使用 Scrapy 过程中的实践,该项目大概涵盖了 80% 我所使用到的 Scrapy 知识,希望能帮助到正在学习 Scrapy 的朋友,也希望大家在阅读 Scrapy 官方文档后食用,但是请注意目前项目所使用版本为 Scrapy 1.5.1。

Python3 MySQL Docker Alpine Linux

Docker


项目包含了 douban_scrapy douban_db douban_adminer 三个容器。

douban_scrapy 容器基于 alpine:3.8,默认安装的 Python3 库有 scrapy pymysql pillow arrow scylla,默认运行 Scylla 代理池,默认映射端口 8899:8899 以方便用户通过宿主机 IP 访问 Scylla 管理界面。

douban_db 容器基于 mysql:8,root 密码为 HardM0de,默认初始化时导入 docker/mysql/douban.sql 文件到 douban 数据库。

douban_adminer 容器基于 adminer:4,默认映射端口 8080:8080 以方便用户通过宿主机 IP 访问数据库管理界面。

项目 SQL


项目所使用的 SQL 文件存放路径为 docker/mysql/douban.sql 。

收集流程


首先收集 Subject ID --> 然后通过 Subject ID 抓取详情页面,收集元数据 --> 最后通过 Subject ID 来收集评论

使用方法


$ git clone https://github.com/poem/ScrapyDouban.git
# 构建并运行容器
$ cd ./ScrapyDouban/docker
$ sudo docker-compose up --build -d
# 进入 douban_scrapy 容器
$ sudo docker exec -it douban_scrapy ash
# 进入 scrapy 目录
$ cd /srv/ScrapyDouban/scrapy
$ scrapy list
# 抓取电影数据
$ scrapy crawl movie_subject # 收集电影 Subject ID
$ scrapy crawl movie_meta # 收集电影元数据
$ scrapy crawl movie_comment 收集电影评论
# 抓取书籍数据
$ scrapy crawl book_subject # 收集书籍 Subject ID
$ scrapy crawl book_meta # 收集书籍元数据
$ scrapy crawl book_comment # 收集书籍评论

代理 IP


由于豆瓣的反爬虫机制,现在只能通过代理 IP 来绕过。douban_scrapy 容器里面配置好了一个很好的代理池:Scylla,默认 settings.py 里面并未启用 douban.middlewares.ProxyMiddleware 中间件,因为 Scylla 代理池的 IP 来源于网上公开的代理发布网站,所有一定几率其中的 IP 已经被 ban 掉,这里只是为了展示 Scrapy 代理 IP 的工作流程,如果你真的需要使用豆瓣的数据来进行一些研究,可以去租用付费的代理池。

图片下载


douban.pipelines.CoverPipeline 通过对 spider.name 进行过滤来处理封面下载逻辑,所下载图片文件的保存路径为 douban_scrapy 容器的 /srv/ScrapyDouban/storage 目录。

注:如果你在收集 subject 的时候出现类似下面 INFO 信息,那么你需要在服务器上 curl 访问一下对应 script 生成的 url 来通过豆瓣的检测机制。

https://movie.douban.com/subject/26593061/
<script>var d=[navigator.platform,navigator.userAgent,navigator.vendor].join("|");window.location.href="https://sec.douban.com/a?c=3d001f&d="+d+"&r=https%3A%2F%2Fmovie.douban.com%2Fsubject%2F26590960%2F";</script>