当前位置:首页 > 技术 > 正文内容

使用Scrapy抓取豆瓣图书短评并导出Excel

访客 技术 2026年6月28日 1

本文演示如何通过Scrapy框架抓取豆瓣图书Top250中前两页(共50本书)的短评信息,并将结果保存为Excel文件。每条记录包含以下字段:

  • 图书名称
  • 用户ID
  • 短评内容

初始化项目结构

D:\USERDATA\python>scrapy startproject douban_comments
New Scrapy project 'douban_comments', using template directory '...', created in:
    D:\USERDATA\python\douban_comments

You can start your first spider with:
    cd douban_comments
    scrapy genspider example example.com

定义爬虫逻辑

douban_comments/spiders/comment_spider.py 文件中编写核心抓取代码:

import scrapy
from bs4 import BeautifulSoup
import re
import math
from ..items import CommentItem

class CommentSpider(scrapy.Spider):
    name = 'comments'
    allowed_domains = ['book.douban.com']
    start_urls = [
        'https://book.douban.com/top250?start=0',
        'https://book.douban.com/top250?start=25'
    ]

    def parse(self, response):
        soup = BeautifulSoup(response.text, 'html.parser')
        links = soup.find_all('a', class_='nbg')
        for link in links:
            detail_url = link.get('href')
            yield scrapy.Request(url=detail_url, callback=self.parse_detail)

    def parse_detail(self, response):
        url = str(response).split()[1].rstrip('>')
        soup = BeautifulSoup(response.text, 'html.parser')
        comment_link = soup.find('a', href=re.compile(r'^https://book.douban.com/subject/.*/comments/'))
        total = int(comment_link.text.strip().split()[1])
        page_count = min(math.ceil(total / 20), 2)  # 抓取最多2页评论
        
        for p in range(1, page_count + 1):
            comment_page = f"{url}comments/hot?p={p}"
            yield scrapy.Request(url=comment_page, callback=self.parse_comments)

    def parse_comments(self, response):
        soup = BeautifulSoup(response.text, 'html.parser')
        title = soup.find('a', href=re.compile(r'^https://book.douban.com/subject/')).text.strip()
        items = soup.find_all('li', class_='comment-item')

        for item in items:
            record = CommentItem()
            record['book_title'] = title
            user_info = item.find_all('a', href=re.compile(r'^https://www.douban.com/people/'))
            record['username'] = user_info[1].text if len(user_info) > 1 else ''
            record['content'] = item.find('span', class_='short').text.strip()
            yield record

配置数据模型

修改 douban_comments/items.py 定义要采集的数据项:

import scrapy

class CommentItem(scrapy.Item):
    book_title = scrapy.Field()
    username = scrapy.Field()
    content = scrapy.Field()

设置输出管道

douban_comments/pipelines.py 中实现Excel写入功能:

import openpyxl

class ExcelPipeline:

    def __init__(self):
        self.workbook = openpyxl.Workbook()
        self.sheet = self.workbook.active
        self.sheet.append(['书名', '用户名', '短评'])

    def process_item(self, item, spider):
        row_data = [item['book_title'], item['username'], item['content']]
        self.sheet.append(row_data)
        return item

    def close_spider(self, spider):
        self.workbook.save('douban_short_comments.xlsx')
        self.workbook.close()

更新全局设置

编辑 douban_comments/settings.py 启用管道并设定请求延迟:

BOT_NAME = 'douban_comments'

SPIDER_MODULES = ['douban_comments.spiders']
NEWSPIDER_MODULE = 'douban_comments.spiders'

ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1

ITEM_PIPELINES = {
   'douban_comments.pipelines.ExcelPipeline': 300,
}

运行爬虫

scrapy crawl comments

执行完毕后将在当前目录生成名为 douban_short_comments.xlsx 的Excel文档。

相关文章

Linux crontab 详解

1) crontab 是什么cron 是 Linux 的定时任务守护进程;crontab 是用来编辑/查看“按时间周期执行命令”的表(cron table)。常见两类:用户 crontab:每个用户一份(crontab -e 编辑)系统级 crontab / cron.d:可指定执行用户(/etc/crontab、/etc/cron.d/*)2) crontab 时间...

富文本里可以允许的 HTML 属性

一、所有标签默认允许的安全属性(极少)class        (可选)id           (通常建议禁用)title️ 注意:id 容易被滥用做锚点注入,很多系统直接禁用class 允许的话最好只允许固定前缀(如 editor-*)二、a 标签允许属性<a href="" t...

Mac 安装 Node.js 指南

方法一:通过官网安装包(最简单,适合初学者)如果你只是想快速安装并开始使用,这是最直接的方法。访问 Node.js 官网。页面会显示两个版本:LTS (Recommended For Most Users):长期支持版,最稳定。建议选这个。Current:最新特性版,包含最新功能但可能不够稳定。下载 .pkg 安装包并运行。按照安装向导点击“下一步”即可完成。方法二:使用 Homebrew 安装(...

Dom\HTML_NO_DEFAULT_NS 的副作用:自动加闭合标签

在使用Dom\HTMLDocument时,Dom\HTML_NO_DEFAULT_NS 将禁止在解析过程中设置元素的命名空间, 此设置是为了与DOMDocument向后兼容而存在的。当使用它时,已知的一个副作用就是:自动加闭合标签例如 </img> 为什么会这样?当你使用:Dom\HTML_NO_DEFAULT_NS文档会变成 无命名空间模式,此时内部更接近 XML...

Laravel 事件和监听器创建

在 Laravel 中,使用 Artisan 命令创建 Events(事件) 和 Listeners(监听器) 是非常高效的。你可以通过以下几种方式来实现:1. 手动创建单个 Event如果你只想创建一个事件类,可以使用 make:event 命令:Bashphp artisan make:event UserRegistered执行后,文件将生成在 app/Even...

自定义域名解析神器 dnsmasq

什么是 dnsmasq?dnsmasq 是一个轻量级、功能强大的网络服务工具,专为小型和中等规模网络设计。它是一个综合的网络基础设施解决方案[1]。dnsmasq 能做什么?功能说明应用场景DNS 转发与缓存将 DNS 查询转发到上游服务器(ISP、Google DNS 等),并在本地缓存结果加快 DNS 查询速度,减少外部 DNS 流量本地 DNS解析本地网络设备的主机名,无需编辑&n...

发表评论

访客

◎欢迎参与讨论,请在这里发表您的看法和观点。