Python网络爬虫数据采集实战：Scrapy框架爬取QQ音乐存入MongoDB

通过前七章的学习，相信大家对整个爬虫有了一个比较全貌的了解，其中分别涉及四个案例：静态网页爬取、动态Ajax网页爬取、Selenium浏览器模拟爬取和Fillder今日头条app爬取，基本涵盖了爬虫的大致套路。本文在此基础上进一步深耕，使用Scrapy框架构建分布式爬虫系统，更加接近搜索引擎技术。

一、前期准备

一、前期准备

1.Scrapy原理概述

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了爬虫或者数据采集所设计的，也可以应用在获取API所返回的数据或者通用的网络爬虫。简单来说，与普通爬虫相比，Scrapy“有组织有纪律”，更容易构建大规模抓取项目。

下图即为Scrapy框架的原理架构图，下面来一一解释：

Engine：引擎，框架的核心，用于触发事务，处理整个系统的数据流处理。（Scrapy已实现）
Spiders：即爬虫主程序，定义了爬取的逻辑和网页内容的解析规则，主要负责解析响应并生成结果和新的请求（需要自己编写）
Scheduler：任务调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求时将请求提供给引擎。（需要自己编写）
Downloader：下载器，下载网页内容，并将下载内容返回给spider进行处理（Scrapy已实现）
ItemPipeline：项目管道，负责处理spider从网页中抽取的数据，主要是负责清洗，验证和向数据库中存储数据（需要自己编写）
Downloader Middlewares：下载中间件，是处于Scrapy的Request和Requesponse之间的处理模块（Scrapy已实现）
Spider Middlewares：spider中间件，主要处理spider输入的响应和输出的结果及新的请求middlewares.py里实现（Scrapy已实现）

有了上文对Scrapy组件的介绍，下面描述一下Scrapy运作流程：

Spider使用yeild将request发送给Engine
Engine对request不做任何处理发送给Scheduler
Engine拿到request，通过Middleware发送给Downloader
Downloader获取response之后经过Middleware发送给Engine
Engine传递给Spider，Spider的parse()方法对response进行解析
Spider将解析出来的items或者requests返回给Engine
Engine将items发送给ItemPipeline，将requests发送给Scheduler
只有当Scheduler中不存在request时程序才会停止

2.Scrapy安装配置

接下来开始安装Scrapy，Scrapy已经支持python3，本文环境为win10+Anaconda3，实测安装没有出现问题。首先通过pip安装Scrapy：

pip install scrapy

之后进入到python命行并导入，如果没有出现报错则初步说明安装成功。

import scrapy

3.Scrapy入门测试

接着我们通过一个百度分布式爬虫框架小例子进行测试，首先在cmd中用cd命令切到任一目录，之后运行：

scrapy startproject littletest

然后切换至项目目录并通过genspider命令加入爬虫网站：

cd littletestscrapy genspider baidu www.baidu.com

scrapy. cfg # Scrapy 部署时的配置文件
littletest ＃项目模块
items.py # 定义爬取的数据结构
middlewares.py # 定义爬取时的中间件
pipelines.py # Pipelines 的定义，定义数据管道
settings.py ＃配置文件，放置基本设置和存储变量
spiders ＃放置Spiders 的文件夹

同时我们进入settings.py将ROBOTSTXT_OBEY配置项改为False，即不遵守爬虫协议，否则很多网站无法正常获取。

ROBOTSTXT_OBEY = False

最后进入命令行启动scrapy爬虫：

scrapy crawl baidu

得到结果如下，状态码为200且接收字节数大于0，则表明爬取成功！

4.MongDB安装配置

MongoDB 是目前最流行的 NoSQL 数据库之一，使用的数据类型 BSON（类似 JSON），下载安装及配置以及链接python的pymongo数据库和最优秀的compass可视化工具安装及使用可参考作者博客：https://blog.csdn.net/qq_36936730/article/details/104906241

二、QQ音乐爬虫实战

1.网页分析

通过打开QQ音乐官网并点击歌手栏（链接传送门：https://y.qq.com/portal/singer_list.html），并打开DevTools工具，选择XHR异步并观察item，发现musicu.fcg一栏返回的json数据中有歌手相关信息。

因此我们进一步进入该项headers获取到请求url，继续点击下一页，通过三页（url如下）查找规律进一步发现sin参数发生变化，规律公式为80*(n-1)，n为页码。篇幅有限，json数据解析就不再解释，可参考前文。

https://u.y.qq.com/cgi-bin/musicu.fcg?-=getUCGI9874589974344781&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data=%7B%22comm%22%3A%7B%22ct%22%3A24%2C%22cv%22%3A0%7D%2C%22singerList%22%3A%7B%22module%22%3A%22Music.SingerListServer%22%2C%22method%22%3A%22get_singer_list%22%2C%22param%22%3A%7B%22area%22%3A-100%2C%22sex%22%3A-100%2C%22genre%22%3A-100%2C%22index%22%3A-100%2C%22sin%22%3A0%2C%22cur_page%22%3A1%7D%7D%7Dhttps://u.y.qq.com/cgi-bin/musicu.fcg?-=getUCGI8205866038561849&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data=%7B%22comm%22%3A%7B%22ct%22%3A24%2C%22cv%22%3A0%7D%2C%22singerList%22%3A%7B%22module%22%3A%22Music.SingerListServer%22%2C%22method%22%3A%22get_singer_list%22%2C%22param%22%3A%7B%22area%22%3A-100%2C%22sex%22%3A-100%2C%22genre%22%3A-100%2C%22index%22%3A-100%2C%22sin%22%3A80%2C%22cur_page%22%3A2%7D%7D%7Dhttps://u.y.qq.com/cgi-bin/musicu.fcg?-=getUCGI8189152987042585&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data=%7B%22comm%22%3A%7B%22ct%22%3A24%2C%22cv%22%3A0%7D%2C%22singerList%22%3A%7B%22module%22%3A%22Music.SingerListServer%22%2C%22method%22%3A%22get_singer_list%22%2C%22param%22%3A%7B%22area%22%3A-100%2C%22sex%22%3A-100%2C%22genre%22%3A-100%2C%22index%22%3A-100%2C%22sin%22%3A160%2C%22cur_page%22%3A3%7D%7D%7D

以此类推依次获取到歌曲下载地址、歌曲列表地址、歌词列表地址、歌曲评论地址等并配置翻页参数：

start_urls = ['https://u.y.qq.com/cgi-bin/musicu.fcg?data=%7B%22singerList%22%3A%7B%22module%22%3A%22Music.SingerListServer' \    '%22%2C%22method%22%3A%22get_singer_list%22%2C%22param%22%3A%7B%22area%22%3A-100%2C%22sex%22%3A-100%2C%22genr' \    'e%22%3A-100%2C%22index%22%3A-100%2C%22sin%22%3A{num}%2C%22cur_page%22%3A{id}%7D%7D%7D']  # 歌手地址song_down = 'https://c.y.qq.com/base/fcgi-bin/fcg_music_express_mobile3.fcg?&jsonpCallback=MusicJsonCallback&ci' \            'd=205361747&songmid={songmid}&filename=C400{songmid}.m4a&guid=9082027038'  # 歌曲下载地址song_url = 'https://c.y.qq.com/v8/fcg-bin/fcg_v8_singer_track_cp.fcg?singermid={singer_mid}&order=listen&num={sum}'  # 歌曲列表地址lrc_url = 'https://c.y.qq.com/lyric/fcgi-bin/fcg_query_lyric.fcg?nobase64=1&musicid={musicid}'  # 歌词列表地址discuss_url = 'https://c.y.qq.com/base/fcgi-bin/fcg_global_comment_h5.fcg?cid=205360772&reqtype=2&biztype=1&topid=' \              '{song_id}&cmd=8&pagenum=0&pagesize=25'  # 歌曲评论地址

之后我们开始建立scrapy爬虫程序。首先切换至个人目录下面开启项目：

scrapy startproject musicspydercd musicspyderscrapy genspider qqmusic y.qq.com

2.spyder.py编写

接下来开始对Scrapy组件逐一完善，首先对主要爬虫程序qqmusic.py进行编写，在生成类中分别定义爬虫名、允许域名、爬取url等变量，并创建解析用户信息、歌曲信息、歌词信息、评论信息、url信息方法：

import jsonimport scrapyfrom scrapy import Requestfrom musicspyder.items import QqMusicItemclass MusicSpider(scrapy.Spider):  name = 'qqmusic'  allowed_domains = ['y.qq.com']  start_urls = ['...']  song_down = '...'  song_url = '...'  lrc_url = '...'  discuss_url = '...'  # 生成请求并从配置中获取页数  def start_requests(self):  # 解析用户信息  def parse_user(self, response)  # 解析歌曲信息  def parse_song(self, response)  # 解析歌词信息  def parse_lrc(self, response)  # 解析评论信息  def parse_comment(self, response)  # 解析url信息  def parse_url(self, response)

3.items.py编写

之后对items.py进行编写，在QqMusicItem类中创建MongoDB集合名、id字段、歌手名字段、歌曲名字段、歌曲地址字段、歌词字段、评论字段等变量：

import scrapyfrom scrapy import Fieldclass QqMusicItem(scrapy.Item):  # mongodb collection  collection = 'singer'  id = Field()  # 歌手名字字段  singer_name = Field()  # 歌曲名字段  song_name = Field()  # 歌曲地址字段  song_url = Field()  # 歌词字段  lrc = Field()  # 评论字段  comment = Field()

4.piplines.py编写

再对piplines.py进行编写，新增加IrcText类对歌词进行解析处理：

import jsonimport pymongoimport refrom scrapy.exceptions import DropItemfrom musicspyder.items import QqMusicItem# 默认pipline类class QqMusicPipeline(object):    def process_item(self, item, spider):        return item# 在pipline中新增类用于解析和清洗单词class lrcText(object):  # 进行正则匹配获取的单词  def process_item(self, item, spider):# 保存到Mongo数据库class MongoPipline(object):  # 构造方法  def __init__(self, mongo_url, mongo_db):  # 从settings.py中获取Mongo rl和库  @classmethod  def from_crawler(cls, crawler):  # 存储处理  def process_item(self, item, spider):  # 关闭mongodb数据库  def close_spider(self, spider):

5.middlewares.py编写

之后是middlewares.py代码编写，自定义my_useragent类，使用random库随机选择浏览器头：

import randomfrom scrapy import signals# 默认中间件class MusicspyderSpiderMiddleware(object):  @classmethod  def from_crawler(cls, crawler):  def process_spider_input(self, response, spider):  def process_spider_output(self, response, result, spider):  def process_spider_exception(self, response, exception, spider):  def process_start_requests(self, start_requests, spider):  def spider_opened(self, spider):# 在中间件中加入useragent防爬class my_useragent(object):  def process_request(self, request, spider):    user_agent_list = ['...','...',...]    user_agent = random.choice(user_agent_list)    request.headers['User_Agent'] = user_agent

6.settings.py编写

最后是settings.py编写，配置相应的爬取页数、爬取歌手歌曲数量、mongoDB的地址与数据库等变量，并且设置不遵守Robots协议，开启下载中间件和itempipline：

# 系统配置变量BOT_NAME = 'musicspyder'SPIDER_MODULES = ['musicspyder.spiders']NEWSPIDER_MODULE = 'musicspyder.spiders'MAX_PAGE = 3    # 爬取页数SONGER_NUM = 1      # 爬取歌手歌曲数量MONGO_URL = 'mongodb://localhost:27017/'MONGO_DB = 'music'  # mongo数据库# 定义robots协议遵守规则为：不遵守ROBOTSTXT_OBEY = False# 启用下载中间件DOWNLOADER_MIDDLEWARES = {    # 'musicspyder.middlewares.QqMusicDownloaderMiddleware': 543,    'musicspyder.middlewares.my_useragent': 544,}# 启用pipline中mongodb存储ITEM_PIPELINES = {    # 'musicspyder.pipelines.QqMusicPipeline': 300,    'musicspyder.pipelines.lrcText': 300,    'musicspyder.pipelines.MongoPipline': 302,}