Scrapy 爬取旅游景点相关数据（五）
本期内容：（1）爬取日本其他城市数据存入数据库（2）爬取景点批评数据
1 爬取其他城市景点数据
只爬取一个城市的数据对于做数据可视化系统大概是不敷的，因为数据样本量少嘛，本期来爬取其他城市的景点数据，前面四期已经打好的精良基础，本期内容非常简单，只需要对项目稍加修改，就可以完成，废话不多说，let’s go。
首先改一下爬虫，把城市作为一个参数，好比如今改为横滨：
start_urls = ['https://place.qyer.com/yokohama/sight/']
city = '横滨'
nation = '日本'
item部分如许写:
item['city'] = self.city
item['nation'] = self.nation
翻页的时候判断下100页以上的不消爬取了，因为这个网站凌驾100页你去点下一页，它也不刷新数据了
if page_number > 100:
break
多爬一些数据，后续做旅游分析系统的时候数据多一点系统做出来就好看，我爬取的结果：
https://i-blog.csdnimg.cn/direct/4f69b803cdce4032b593cee875e1c0cc.png
2 爬取批评数据 爬取思绪
之前爬取的数据字段里有个comment_url ，就是为了爬取批评数据作的准备，通过这个字段就可以爬取每个景点的用户批评，例如东京迪士尼景区的用户批评是在这个地址：https://place.qyer.com/poi/V2EJalFnBzRTbQ/review/
通过欣赏器的开发者模式可以大致如何爬取这个页面，其他也类似于景区列表，这个页面也是通过翻页来加载数据的。
下面用一张图来展示爬取流程：
https://i-blog.csdnimg.cn/direct/ea1815bfb99a4aa1b65fa0d1300ecd20.png
首先需要遍历tb_tour表的comment_url字段，循环中去读取每个景点的批评页面， 而爬取批评页面的过程中需要翻页，这内里也涉及一个循环，爬取每页都会去调用一次pipeline进行数据的存储。
这次我们会有两个地方去读取mysql数据库，一个是爬虫，二是管道部分，因此先优化一下数据库的设置，把链接信息写到settings.py里
DB_HOST = 'localhost'
DB_USER = '******'
DB_PASS = '******'
DB_DATABASE = 'scrapy_demo'
DB_CHARSET= 'utf8'
3 编写批评爬虫 初始化部分
首先新建一个爬虫QyCommentSpider ，整个整体的思绪和之前爬取景点的类似，差别之处在于启动的Url需要从数据库里去获取，另外，需要一个专门的管道了处置惩罚数据。先编写部分爬虫
class QyCommentSpider(scrapy.Spider):
name = 'cmt'
custom_settings = {
'ITEM_PIPELINES': {'tutorial2.pipelines.TourCommentPipeline': 300}
}
def __init__(self, *args, **kwargs):
super(QyCommentSpider, self).__init__(*args, **kwargs)
options = webdriver.ChromeOptions()
# 这行代码是用于设置 Chrome 浏览器的选项。--headless 参数表示以无头模式(无 GUI 界面)运行 Chrome 浏览器。
# 无头模式下,浏览器运行在后台,不会显示任何图形界面,从而能够提高爬取效率和性能。这在服务器环境中非常有用,因为服务器通常没有图形界面。
options.add_argument('--headless')
LOGGER.setLevel(logging.WARNING)
# 这行代码是用于指定 ChromeDriver 的路径。ChromeDriver 是 Selenium 用于控制 Chrome 浏览器的驱动程序。
service = Service('/usr/local/bin/chromedriver')
self.driver = webdriver.Chrome(options=options, service=service)# 替换为 ChromeDriver 的实际路径
def start_requests(self):
# 连接 MySQL 数据库
db = pymysql.connect(
host=self.settings.get('DB_HOST'),
user=self.settings.get('DB_USER'),
password=self.settings.get('DB_PASS'),
database=self.settings.get('DB_DATABASE'),
charset=self.settings.get('DB_CHARSET')
)
cursor = db.cursor()
cursor.execute("SELECT comment_url, id FROM tb_tour")
start_urls = cursor.fetchall()
cursor.close()
db.close()
for url in start_urls:
yield scrapy.Request(url=url, callback=self.parse,
meta={'tid': url})
4 编写item 和 管道
class TourCommentItem(scrapy.Item):
tid = scrapy.Field()
username = scrapy.Field()
avatar = scrapy.Field()
comments = scrapy.Field()
# 保存mysql 景点评论
class TourCommentPipeline:
def process_item(self, item, spider):
pass
在settings里也增加下新的管道
ITEM_PIPELINES = {
'tutorial2.pipelines.TourPipeline': 300,
'tutorial2.pipelines.TourCommentPipeline': 301,
}
5 分析代码 【增补】
做视频的时候发现漏了给出分析的代码了，下面补全
def parse_page(self, page_source, tid):
response = scrapy.Selector(text=page_source)
# 生成指纹
fingerprint = self.get_fingerprint(page_source)
# 判断指纹是否存在
if self.fingerprint_exists(fingerprint):
self.logger.info('指纹已存在，跳过 %s', fingerprint)
return
# 保存指纹
self.save_fingerprint(fingerprint)
# print(response)
comments = response.xpath('//ul[@id="commentlist"]/li')
# print('comments=', comments)
for comment in comments:
item = TourCommentItem()
item['tid'] = tid
item['username'] = comment.xpath('.//a/span/text()').get().strip()
item['avatar'] = comment.xpath('.//a/img/@src').get().strip()
item['comments'] = comment.xpath('.//div[@class="comment clearfix"]/p[@class="content"]').xpath('string(.)').extract()
print(f"\033}\033[0m")
print(f"\033}\033[0m")
# print(f"\033}\033[0m")
# print(f"\033}\033[0m")
yield item
6 开启debug
之前我们一直是用命令行来跑scrapy 的，可以在scrapy.cfg同级目录建一个run.py文件
# -*- coding:utf-8 -*-
from scrapy import cmdline
# cmt 对应的是爬虫名
# 在cmd运行 scrapy crawl cmt 同步
cmdline.execute("scrapy crawl cmt".split())
pycharm去执行这个文件，就可以debug运行了。
爬取结果：
https://i-blog.csdnimg.cn/direct/a70ecf7bf00e4638a31d039fe6578529.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]