[[433806]]

文末本文轉載自微信公眾號「志斌的python筆記」，作者志斌。轉載本文請聯系志斌的python筆記公眾號。

大家好，我是志斌~

之前志斌寫過的微博爬蟲是基于Requests的，今天來跟大家分享一下，基于Scrapy的微博爬蟲應該怎么寫。

之前分享過一個Requests對微博評論的爬蟲，已經對頁面進行了全面的分析，本文主要注重對數據采集、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創建項目

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

scrapy startproject weibo 

創建好后的項目結構，如下圖：

這里我們來簡單介紹一下結構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用來定義數據，類似于字典的功能。settings是設置文件，包含爬蟲項目的設置信息。pipelines用來對items中的數據進行進一步處理，如：清洗、存儲等。

二數據采集

經過上面的簡單介紹，我們現在對Scrapy框架有了簡單的了解，下面我們開始寫數據采集部分的代碼。

01定義數據

首先，我們對數據存儲的網頁進行觀察，方便我們對獲取數據進行定義

通過對網頁中數據存儲的形式進行觀察后，items.py中對數據的定義方式為：

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']  #定義起始網頁的網址 
  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  #將數據回傳給items 

03遍歷爬取

學過Requests對微博評論進行爬蟲的朋友應該知道，微博評論的URL構造方式，這里我直接展示構造代碼：

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' 

三數據存儲

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

class CsvItemExporterPipeline(object): 
   def __init__(self): 
       # 創建接收文件,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協議

需要對robts協議的遵守進行修改，如果我們遵循網頁的robots協議的話，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

想要進行數據存儲，還需要在配置中，打開通道，用以數據傳輸，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 
#導入cmdline模塊,可以實現控制終端命令行。 
cmdline.execute(['scrapy','crawl','weibo']) 
#用execute（）方法，輸入運行scrapy的命令。 

六總結

1. 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。

2. 本文僅供學習參考，不做它用。