基于Scrapy框架的爬蟲設(shè)計

王海玲 周志彬

摘 要：利用Python編程語言的Scrapy框架，為貓眼網(wǎng)站設(shè)計一個網(wǎng)絡(luò)爬蟲程序，對貓眼網(wǎng)頁中《復(fù)仇者聯(lián)盟4》的用戶評論進行抓取。對抓取下來的網(wǎng)頁信息進行信息提取，并將有用信息轉(zhuǎn)換為dataframe格式存儲到csv文件中;再將csv文件中的數(shù)據(jù)通過Pandas庫進行提取排列，并利用Pyecharts庫生成可視化圖表的html頁面;最后修改url中的setoff屬性，通過改變starTtime的值，成功獲取了更多評論。結(jié)果表明，比正常獲取評論數(shù)的最大值990條多了16倍。

關(guān)鍵詞：Scrapy框架;爬蟲;數(shù)據(jù)可視化

DOI： 10. 11907/rjdk.191814

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP393

文獻標(biāo)識碼：A

文章編號：1672-7800（2020）004-0224-05

0 引言

隨著大數(shù)據(jù)時代的來臨，普通搜索已無法滿足人們對信息獲取的需求，網(wǎng)絡(luò)爬蟲應(yīng)運而生。網(wǎng)絡(luò)爬蟲又稱網(wǎng)絡(luò)蜘蛛，是一種能夠根據(jù)程序設(shè)計者所設(shè)計的規(guī)則自動抓取特定網(wǎng)頁信息的程序。按照實現(xiàn)原理可分為3類：第一類是通用網(wǎng)絡(luò)爬蟲，指搜索引擎爬蟲，類似于百度、谷歌等大型搜索引擎[1]，其特點是根據(jù)一定的策略，用特定的計算機程序，將互聯(lián)網(wǎng)上的信息加以收集并對信息進行篩選和排列后展示給用戶，搜索引擎由搜索者、用戶界面、索引器和搜索器4部分組成[2];第二類是聚焦爬蟲，其可以針對特定網(wǎng)頁，也稱為網(wǎng)絡(luò)蜘蛛、網(wǎng)絡(luò)機器人，還經(jīng)常被稱為網(wǎng)頁追逐者。它與搜索引擎的區(qū)別在于其針對性強并細化了搜索內(nèi)容[3];第三類是增量式網(wǎng)絡(luò)爬蟲，是指對已下載網(wǎng)頁采取增量式更新和只爬行新產(chǎn)生的或者已經(jīng)發(fā)生變化網(wǎng)頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面[4]。此外，也涌現(xiàn)了很多成熟的爬蟲框架，如非常流行的Scrapy[5-10]。

但是，傳統(tǒng)爬蟲網(wǎng)絡(luò)獲取頁面較少，無法滿足爬取需求，代碼也比較復(fù)雜。本文通過修改url中的setoff屬性，改變starTtime的值，以貓眼網(wǎng)站為例，通過Scrapy搭建爬蟲項目，分析整個爬蟲原理。一是實現(xiàn)程序在遠程服務(wù)、手機端的部署;二是通過改變不同的數(shù)據(jù)接口，實現(xiàn)對貓眼網(wǎng)絡(luò)電影《復(fù)仇者聯(lián)盟4》更多評論信息抓取，并對獲取的數(shù)據(jù)進行可視化分析。

1 Scrapy框架介紹

Scrapy是由Python開發(fā)人員開發(fā)的一種高速、高級的Web捕獲框架，它被用來抓取網(wǎng)站內(nèi)容并從頁面中提取結(jié)構(gòu)化數(shù)據(jù)。與普通網(wǎng)絡(luò)爬蟲不同的是，基于Scrapy的爬蟲系統(tǒng)抓取的網(wǎng)頁信息需與用戶需求相關(guān)，而無需對互聯(lián)網(wǎng)上的所有資源進行采集[11-13]。

1.1 框架組成

Scrapy架構(gòu)如圖1所示，其中包含了Engine、ItemPipeline、Downloader、Spider以及Scheduler等幾個組件模塊，圖中箭頭表示數(shù)據(jù)在整個系統(tǒng)中的處理流程[14-15]。

1.2 組件說明

Engine：引擎是觸發(fā)系統(tǒng)工作任務(wù)的框架核心，系統(tǒng)數(shù)據(jù)流處理都由它統(tǒng)一調(diào)度處理的。

調(diào)度器：用來接受引擎?zhèn)鬟_的請求，并將請求壓入隊列中，在引擎再次請求時返回?？梢韵胂癯梢粋€URL的優(yōu)先隊列，它會決定下一個要抓取的網(wǎng)址是什么，并對網(wǎng)址進行查重，去除重復(fù)網(wǎng)址。

下載器：下載網(wǎng)頁中所需內(nèi)容，然后將該內(nèi)容返回給爬蟲。

爬蟲：從特定網(wǎng)頁也即實體中抓取所需信息，分析頁面信息，提取下一頁的鏈接進行遞歸爬取。

項目管道：負責(zé)處理爬蟲從網(wǎng)頁中提取的實體，主要功能是對實體進行持久化，驗證實體的有效性，清除不必要的信息。當(dāng)爬蟲對頁面進行解析時，會將其發(fā)送到項目管道中，并按幾個特定的順序?qū)?shù)據(jù)進行處理。管道的執(zhí)行過程具體包括清洗HTML數(shù)據(jù)、驗證解析到的數(shù)據(jù)、檢查是否為重復(fù)數(shù)據(jù)，并將解析到的數(shù)據(jù)存儲到數(shù)據(jù)庫中。

爬蟲中間件：位于引擎和爬蟲之間的框架，負責(zé)處理爬蟲的響應(yīng)及輸出。

下載器中間件：位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應(yīng)[16-18]。

1.3 Spider工作流程

首先解析第一個URL，獲取它的請求，在其返回時檢索回調(diào)函數(shù);之后在回調(diào)函數(shù)中，對解析網(wǎng)頁進行響應(yīng)，返回項目對象和請求對象的迭代，請求中還將包含一個回調(diào)信息，由Scrapy下載;然后對其進行回調(diào)處理，在回調(diào)函數(shù)中，對網(wǎng)站內(nèi)容進行解析，使用Xpath選擇器生成解析后的數(shù)據(jù)項;最后，從爬蟲返回的信息通常都進入到項目管道中。

1.4 Pandas庫

Pandas模塊是Python用于數(shù)據(jù)導(dǎo)人及整理的模塊，對數(shù)據(jù)挖掘前期數(shù)據(jù)處理十分有用。Pandas庫具有兩種數(shù)據(jù)類型：Series類型和Dataframe類型。本文主要采用Dataframe數(shù)據(jù)類型，Dataframe是一種帶“標(biāo)簽”的二維數(shù)組，基本操作與Series類型相似。

1.5 Pyecharts庫

Pvecharts是Pvthon中用來生成Echarts圖表的類庫，而Echarts是支持?jǐn)?shù)據(jù)可視化的一個JS庫，用Echarts生成的數(shù)據(jù)圖形效果非常好。Pyecharts與Python接口一起，方便在Pvthon中直接使用數(shù)據(jù)生成。使用Pvecharts可以生成單獨的網(wǎng)頁，也可以在Djangoflask中集成和使用。本文主要使用Pyecharts生成獨立的Web顯示圖表。

1.6 Json庫

Json是一種輕量級的數(shù)據(jù)交換格式，其結(jié)構(gòu)簡單、層次清晰，易于編寫和讀取，也可由機器輕松解析生成，達到提高網(wǎng)絡(luò)傳輸效率的目的。在數(shù)據(jù)交換方法中，它是頗具優(yōu)勢的數(shù)據(jù)交換格式之一。絕大多數(shù)網(wǎng)頁都具有Json格式的數(shù)據(jù)文件，Javascript是Json的主戰(zhàn)場，相比于XML而言，Json自然是更具有優(yōu)勢的數(shù)據(jù)交換格式。此外，JSON和XML還有一個很大區(qū)別，即有效的數(shù)據(jù)速率。JSON作為數(shù)據(jù)包格式傳輸時效率更高，因為JSON不需要像XML這樣嚴(yán)格的封閉標(biāo)簽，與總數(shù)據(jù)包相比，這極大提高了有效數(shù)據(jù)量，從而在數(shù)據(jù)流量相等的情況下降低了網(wǎng)絡(luò)傳輸壓力[19-20]。

Json庫中的Encode函數(shù)在Python中可以有效地轉(zhuǎn)換Python對象和Json對象。尤其在可視化數(shù)據(jù)時，將獲得的數(shù)據(jù)轉(zhuǎn)換成Json對象，可以使數(shù)據(jù)靈活地轉(zhuǎn)換為Pandas庫的數(shù)據(jù)操作對象。

2 Spider模型建立

本文以Scrapy為框架編寫網(wǎng)絡(luò)爬蟲程序，使程序可自動爬取貓眼網(wǎng)的指定信息。在抓取到指定的Json文件地址后，對該地址下的數(shù)據(jù)進行格式轉(zhuǎn)換及存儲操作，具體步驟如下：

（1）使用Pycharm在Terminal中搭建Scrapy框架，建立“maovan”工作項目。

（2）在item.py文件中創(chuàng)建需要爬取的字段屬性，其中有城市：“city”，評論：“content”，用戶id：“user_id”，昵稱：“nick name”，評分：“score”，評論時間：“time”，用戶等級：“user level”。

（3）在創(chuàng)建的爬蟲主文件comment.py中，將多個用戶代理以數(shù)組的形式定義。

（4）通過指定接口獲取用戶評論地址，并將該地址下的數(shù)據(jù)轉(zhuǎn)換為Json格式。

（5）通過循環(huán)判斷，將篩選出來的數(shù)據(jù)用yieldrequest方法傳送到管道中。

（6）在pipelines.py文件中，將數(shù)據(jù)創(chuàng)建dataframe格式并存儲到csv文件中。

（7）創(chuàng)建data_analysis.py，用Pyecharts庫及Pandas庫的方法對數(shù)據(jù)進行可視化處理。3頁面分析

分析頁 url：

m.maoyan.com/m ovie/248172/e omments？_v_=yes

在獲取跳轉(zhuǎn)頁面時選擇xpath對跳轉(zhuǎn)標(biāo)簽進行定位，獲取跳轉(zhuǎn)標(biāo)簽下的url。本文使用Chrome開發(fā)者工具，maoyan.com為該網(wǎng)站域名，目標(biāo)url中的“248712”為《復(fù)仇者聯(lián)盟4》在該網(wǎng)站目錄下“movle”目錄中的編號。但是貓眼網(wǎng)在PC端的設(shè)計中未展示所有評論內(nèi)容，而且PC瀏覽器接口在訪問該網(wǎng)頁時被限制，只能獲取到熱門評論，于是調(diào)試為手機端訪問模式如圖2所示，實際操作是模擬手機端的接口訪問貓眼網(wǎng)。

由于貓眼網(wǎng)未設(shè)置接口的反爬取機制，通過模擬手機客戶端（ Galaxy S5）的訪問方式，能直接得到貓眼網(wǎng)電影評論信息的Json數(shù)據(jù)，這更方便結(jié)果獲取。

4 url構(gòu)造策略

目標(biāo)域名：maoyan.com

目標(biāo)url：

http： //m .maoyan.com/m md b/comments/m ovie/2489 06.json？

_v_ =yes&offset=O&startTime=2019-04-29% 2004： 08：34

正常情況下，如果以offset（每次+15）的方法控制翻頁進行數(shù)據(jù)爬取，所獲得的數(shù)據(jù)最大值到990條就不能繼續(xù)獲取了。本文在嘗試多個不同的接口對評論頁面進行訪問之后，成功地找到了除setoff外還擁有starttime屬性的接口，通過在url中設(shè)定setoff為0，改變starTtime的值，即將每頁評論中最后一次評論時間作為新的startTime并構(gòu)造新的url壓入隊列進行重新訪問、爬取，這樣就可以獲取更多評論，具體構(gòu)造方式如圖3所示。

5“貓眼”爬蟲總體設(shè)計

5.1 定義item.py

本文使用命令行生成maoyan的Scrapy爬蟲項目，同時在該項目目錄下生成Scrapy框架的文件目錄，如圖4所示。

5.2 定義settings.py

在settings.py文件中，將ROBOTSTXT一OBEY屬性改為False，ROBOTSTXT-OBEY是一個機器人協(xié)議，當(dāng)其屬性為True時，它會限制爬蟲文件所能爬取的范圍。由于此次爬取的數(shù)據(jù)內(nèi)容較大，因此將其改為False，并將其定義于pipelinese.py中的規(guī)則激活即可。

5.3 comment.py

comments.py是爬蟲的主文件，爬蟲代碼在此完成。首先在CommentSpider類中定義爬蟲名為comment，用al-lowed_domains將除maoyan.com外的域名進行過濾處理，再將多個不同的用戶代理以字典的形式儲存，定義一個變量隨機獲取該字典中的不同用戶代理。定義一個變量cur-rent_time獲取系統(tǒng)當(dāng)前時間，再對目標(biāo)url中的start_Time值進行替換，可獲得更多評論數(shù)。

完成上述操作之后，對parse函數(shù)進行定義，首先定義item繼承items.py文件中的Maoyanltem（），其次定義data變量用response.body方法保存指定頁面下的數(shù)據(jù)，再定義json_data變量保存json格式化過的data值，最后對json_data中的數(shù)據(jù)進行循環(huán)判斷，符合條件的數(shù)據(jù)賦值給item進入管道。

爬蟲數(shù)據(jù)在csv中存儲部分如表1所示，其中表頭部分包括城市：“city”，評論：“content”，用戶id：“user_id”，昵稱：“nick—name”，評分：“score”，評論時間：“time”，用戶等級：“user_level”。由于表格內(nèi)容較多，具體評論內(nèi)容取其前4個字，截取2019年4月29日時間段。

5.4 替換start_Time

為了爬取所有評論信息，在不改變setoff的條件下，將該頁面最后一條評論的評論時間作為新的開始時間，即將startTime改為：startTime=-+ current_t.replace（‘，%20）的形式，對頁面重新請求，可獲取更多評論數(shù)。

5.5 pipelines.py

將pipelines.py管道中的數(shù)據(jù)與各對應(yīng)數(shù)據(jù)名做一個字典類型存儲在dic t_info，字典每個元素的第1位字符串為生成的csv文件表頭。表頭內(nèi)容有城市：“city”，評論：“content”，用戶id：“user_id”，用戶昵稱：“nike_name”，評分：“score”，評論時間：“time”，用戶等級：“user_level”，再為其建立dataframe的表格形式，最后輸出為csv文件。具體代碼為：

import scrapy

class Maoyanltem（ scrapy.ltem）：

# define the fields for your item here like：

# name= scrapy.Field（）

city= scrapy.Field（）#城市

content= scrapy.Field（）#評論

user_id= scrapy.Field（）#用戶id

nick_name= scrapy.Field（）#昵稱

score= scrapy.Field（）#評分

time= scrapy.Field（）#評論時間

user_level= scrapy.Field（）#用戶等級

pipelines.py：

import pandas as pd

class MaoyanPipeline（ object）：

def process_item（ self， item， spider）：

dict_info={'city'： item[ 'city']，‘contem'： item[‘content]，'user_id：item[‘user_id]，

‘nick_name： item[‘nick_name9]，

‘score ： item[ 'score' ] ， 'time' ： item[‘time]，'user_level： item[‘user_level']}

try：

data= pd.DataFrame（ dict_info， index=[O]）#為data創(chuàng)建一個表格形式，注意加index=[0]

data.to_csv （ ‘E：/pytest/maoyan/maoyan/info.csv ，header=False. index=True. mode=‘a(chǎn).

encoding=‘utf_8_sig）#模式：追加，encod-ing=‘utf-8-sig

except Exception as error：

print（‘寫入文件出錯一一一一>>>+str（ error））

else：

print（dict_info[‘content]+‘一一一一一一一一一一>>>已經(jīng)寫入文件）

5.6 data_analysis.py

在data_analysis.py中對數(shù)據(jù)進行可視化操作，用Py-echarts庫的Render方法生成html文件并保存在制定的目錄之下。首先制作觀眾地域排行榜單，用Pandas庫的Counter.most.common方法獲取city列表中用戶量前20的城市賦值給data_top20，然后用bar對將要生成的圖片格式進行定義。

由圖5圖可以看出，評論的用戶觀眾深圳最多，達703人，第二是廣州660人，第三是北京628人。

制作觀眾評分排行榜單，同樣使用Pandas庫的數(shù)據(jù)操作方法對Dataframe類型的數(shù)據(jù)進行操作，再用Pvecharts庫的語法調(diào)用被處理過的數(shù)據(jù)生成最終圖表并由html格式文件展示。如圖6所示，評價為5的用戶觀眾為10 353人，遠超于其他等級用戶，說明《復(fù)仇者聯(lián)盟4》的觀眾絕大部分都認為它是一部值得觀看的好電影。

詞云可以顯示觀眾評論中出現(xiàn)評論最高的詞匯，如圖7所示，評論中出現(xiàn)最多的詞有“好看”“劇情”“鋼鐵”“完美”“精彩”“情懷”“特效”等。由此可以看出，大部分觀眾對《復(fù)仇者聯(lián)盟4》表達了認同和贊美，說明《復(fù)仇者聯(lián)盟4》是一部值得觀看的優(yōu)質(zhì)電影。

6 結(jié)語

本文基于Pvthon的開源Scrapy框架實現(xiàn)貓眼《復(fù)仇者聯(lián)盟》主題爬蟲編寫，在編寫Spider主文件時對URL構(gòu)造設(shè)計進行改造，找到最優(yōu)辦法解決爬取數(shù)據(jù)量太少的問題。本文共提取出了有效信息16 664條，比常規(guī)爬取數(shù)據(jù)多出16倍，達到了預(yù)期爬取數(shù)量和質(zhì)量。此外，通過編寫靈活爬蟲，簡單有效地垂直爬取主題網(wǎng)站，剔除有用信息提取，在存儲和查詢方面都大大提速，并且精度更高，信息使用率增高，減少了能量消耗，并通過可視化分析使得爬取結(jié)果更加直觀;最后利用Scrapy框架，在抓取大量數(shù)據(jù)方面有顯著優(yōu)勢，比普通爬蟲動則上萬的代碼量減少很多，提高了信息利用率。

參考文獻：

[1]王巖.搜索引擎中網(wǎng)絡(luò)爬蟲技術(shù)的發(fā)展[J].電信快報，2008（ 10）：20-22.

[2] 李小正，成功，趙全軍.分布式爬蟲系統(tǒng)的設(shè)計與實現(xiàn)[J].中國科技信息，2012（ 15）：116-117.

[3] 管華.對當(dāng)今Pvthon快速發(fā)展的研究與展望[J].信息系統(tǒng)工程，2015（ 12）：114-116.

[4] 孟慶浩，王晶，沈奇威.基于Heritri的增量式爬蟲設(shè)計與實現(xiàn)[J].電信技術(shù)，2014（9）：97-102.

[5] 趙本本，殷旭東，王偉.基于Scrapy的GitHub數(shù)據(jù)爬蟲[J].電子技術(shù)與軟件工程，2016（6）：199-202.

[6] 華云彬，匡芳君.基于Scrapy框架的分布式網(wǎng)絡(luò)爬蟲的研究與實現(xiàn)[J].智能計算機與應(yīng)用，2018，8（5）：46-50.

[7] 丁忠祥，楊彥紅，杜彥明.基于Scrapy框架影視信息爬取的設(shè)計與實現(xiàn)[J].北京印刷學(xué)院學(xué)報，2018，26（9）：92-97.

[8] 王芳，張睿，龔海瑞.基于Scrapy框架的分布式爬取設(shè)計與實現(xiàn)[J].信息技術(shù)，2019 （3）：96-101.

[9]

KAUSAR M A， DHAJA V S，SINGH S K.Web crawler：a revieW [J].International Journal of Computer Application， 2013， 63（2）：31-36.

[10] 劉宇，鄭成煥.基于Scrapy的深層網(wǎng)絡(luò)爬蟲研究[J].軟件，2017，38（7）：111-114.

[11] 王磊，劉曉丹.基于Scrapy的網(wǎng)絡(luò)爬蟲系統(tǒng)框架設(shè)計與實現(xiàn)[J].微型電腦應(yīng)用，2018（7）：48-50.

[12] 呂俊宏，周江峰.深入解析Cookie技術(shù)[J].數(shù)字通信世界，2015（6）：332-333.

[13]姜彬彪，黃凱琳，盧昱江，等.基于Python的專業(yè)網(wǎng)絡(luò)爬蟲的設(shè)計與實現(xiàn)[J].企業(yè)科技與發(fā)展，2016（8）：17-19.

[14] 安子建.基于Scrapy框架的網(wǎng)絡(luò)爬蟲實現(xiàn)與數(shù)據(jù)抓取分析[D].長春：吉林大學(xué)，2017.

[15] 張笑天.分布式爬蟲應(yīng)用中布隆過濾器的研究[D].沈陽：沈陽工業(yè)大學(xué)，2017.

[16]

CATTELL R Scalahle SQL and NoSQL data store [J]. ACM SIGMODRecord， 2011（2）：12-27.

[17] 劉學(xué).分布式多媒體網(wǎng)絡(luò)爬行系統(tǒng)的設(shè)計與研究[D].武漢：華中科技大學(xué)，2012.

[18]李代祎，謝麗艷，錢慎一，等.基于Scrapy分布式爬蟲系統(tǒng)的設(shè)計與實現(xiàn)[J].湖北民族學(xué)院學(xué)報（自然科學(xué)版），2017，35（3）： 317-322.

[19] 陶興海.基于Scrapy框架的網(wǎng)絡(luò)爬蟲模擬登陸網(wǎng)站實現(xiàn)[J].計算機與軟件，2017（6）：51-51.

[20] 成功，李小正，趙全軍.一種網(wǎng)絡(luò)爬蟲系統(tǒng)中URL去重方法的研究[J].中國新技術(shù)新產(chǎn)品，2014（ 12）：23.

（責(zé)任編輯：孫娟）

收稿日期：2019-06-04

基金項目：教育部產(chǎn)學(xué)協(xié)同育人項目（JCH2019003，JCH2019023）;福建省高校產(chǎn)學(xué)合作項目（2018H6018）;福建省教育教學(xué)教改項目（ FBJC20170154）;福建省產(chǎn)學(xué)研項目（2018H6018）;漳州市自然科學(xué)基金項目（222018J26）

作者簡介：王海玲（1982-），女，碩士，廈門大學(xué)嘉庚學(xué)院信息科學(xué)與技術(shù)學(xué)院副教授，研究方向為數(shù)據(jù)挖掘與數(shù)據(jù)分析;周志彬（1996-），男，廈門大學(xué)嘉庚學(xué)院信息科學(xué)與技術(shù)學(xué)院學(xué)生，研究方向為數(shù)據(jù)挖掘。