Scrapy中用xpath/css爬取豆瓣电影Top250：解决403HTTP status code is not handled or not allowed

好吧，我又开始折腾豆瓣电影top250了，只是想试试各种方法，看看哪一种的方法效率是最好的，一直进行到这一步才知道 scrapy的强大，尤其是和selector结合之后，速度飞起。。。。 
下面我就采用scrapy爬取豆瓣电影top250的方法记录一下，里面采用了selector的xpath和css两种各实现了一遍，其中xpath的选取路径较为清晰以及能够直接选到标签属性，css则较为有点小抽象，没有xpath直观，优点是结构简单，书写方便。于是我都实现了一遍，汗哒哒。。。

步骤一：生成项目名称

从windows的cmd命令行或者ubuntu的终端下进入你想保存项目的文件下，输入一下代码：

scrapy startproject doubanmovie (注意：换成你的项目名称)
cd doubanmovie

• 1
• 2

cmd中进入doubanmovie后，也就是进入你的项目文件夹后，后面所有的在cmd下或者终端下进行的scrapy命令都是在这个目录下进行的。

步骤二：配置settings.py文件

这个文件就是一些基本的配置，比如访问网站的延迟代理等等，在这里我们设置下将爬取的数据以指定的格式保存到指定目录

FEED_URI = u'file:///E:/python/wswp-code/MyExample/MyScrapy/douban3.csv'  #将抓取的数据存放到douban.csv文件中。(从E:/开始，换成你的目录)
FEED_FORMAT = 'CSV'

• 1
• 2

然后就是关闭代理了，默认使用代理，有些网页使用本地代理无法访问，否则会报错[scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023 
[scrapy] DEBUG: Crawled (403)HTTP status code is not handled or not allowed 
此时，修改setting.py如下：

DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
}

• 1
• 2
• 3

之后就可以正常爬取豆瓣电影网站了。

步骤三：配置items.py文件

import scrapy
class Doubanmovie3Item(scrapy.Item):
    rank = scrapy.Field()#电影排名
    title = scrapy.Field()#标题--电影名
    link = scrapy.Field()#详情链接
    star = scrapy.Field()#电影评分
    rate = scrapy.Field()#评价人数
    quote = scrapy.Field() #名句

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

步骤四：生成spider文件夹下的爬虫douban.py文件

在上面的cmd下或者终端下：

scrapy genspider douban 

• 1

或者

scrapy genspider douban  movie.douban.com 

• 1

步骤五：配置spider文件夹下的douban.py文件

这里也就是重点了，爬取的规则和解析都在这里进行书写，我在这里采用了selector的xpath和css方法分别实现了一遍，就是想进行个对比，读者可以随便选择一个。 
xpath方法：

# -*- coding: utf-8 -*-
import scrapy

from doubanmovie.items import DoubanmovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        for info in response.xpath('//div[@class="item"]'):
            item = DoubanmovieItem()
            item['rank'] = info.xpath('div[@class="pic"]/em/text()').extract()
            item['title'] = info.xpath('div[@class="pic"]/a/img/@alt').extract()
            item['link'] = info.xpath('div[@class="pic"]/a/@href').extract()
            item['star'] = info.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract()
            item['rate'] = info.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[4]/text()').extract()
            item['quote'] = info.xpath('div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span/text()').extract()
            yield item

            # 翻页
            next_page = response.xpath('//span[@class="next"]/a/@href')
            if next_page:
                url = response.urljoin(next_page[0].extract())
                yield scrapy.Request(url, self.parse)  

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25

css方法：

# -*- coding: utf-8 -*-
import scrapy

from doubanmovie.items import DoubanmovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]
    start_urls = ['http://movie.douban.com/top250']

    def parse(self, response):
        for info in response.css('div.item'):
            item = DoubanmovieItem()
            item['rank'] = info.css('div.pic em::text').extract()
            item['title'] = info.css('div.pic a img::attr(alt)').extract()
            item['link'] = info.css('div.pic a::attr(href)').extract()
            item['star'] = info.css('div.info div.bd div.star span.rating_num::text').extract()
            rate = info.css('div.info div.bd div.star span')
            item['rate'] = rate[3].css('::text').extract()
            item['quote'] = info.css('div.info div.bd p.quote span::text').extract()
            yield item

            # 翻页
            next_page = response.xpath('//span[@class="next"]/a/@href')
            if next_page:
                url = response.urljoin(next_page[0].extract())
                yield scrapy.Request(url, self.parse)
"""
补充点关于css的用法
Scrapy的中Css 选择器

//通过 名为 video_part_lists 的Class 中下面的 li 标签

liList = response.css('.video_part_lists li') 

for li in liList:
再通过li 标签获取 a 标签中得  href 属性
    name= li.css('a::attr(href)').extract()
"""

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38

步骤六：启动爬虫，观察日志

在上面的cmd中或者终端下：

scrapy crawl douban -s LOG_LEVEL=INFO

• 1

或者

scrapy crawl douban -s LOG_LEVEL=DEBUG

• 1

这个设置可以观察到详细的运行日志

步骤七：解决乱码问题

此时在你之前设定的保存文件的目录下，有了一个.csv文件，用window的记事本或者notepad++打开的话，可以正常显示；但是用excel打开的话则可能出来乱码，此时只需要重新用记事本打开然后另存为ANSI编码，然后就能用window的excel打开了。

附上参考的链接： 
http://www.jianshu.com/p/62e0a588ee0d 
http://www.tuicool.com/articles/Un2MNfe 
http://blog.csdn.net/heu07111121/article/details/50832999 
http://www.tuicool.com/articles/eymema