初学scrapy爬虫的一些坑_scrapy爬取文本时的坑

1、如果有代码无误却爬取不了的状况，那么一个可能是网络不好，另一个可能就是服务器拒绝响应，这种的话一般可以配置一下请求头，伪装成浏览器的爬虫。

例如我们可以在setting.py中，添加以下代码：

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36 Edg/88.0.705.74'

 如图所示：

2、最容易出错的地方就是爬虫类的编写。该文件也是最主要的

例如，以下是我爬取豆瓣书籍top250的一个项目文件bookspider.py

import scrapy
from doubanbook.items import DoubanbookItem
class BookspiderSpider(scrapy.Spider):
    name = "bookspider"
    allowed_domains = ["book.douban.com"]
    start_urls = ["https://book.douban.com/top250"]
 
    def parse(self, response):
        div_selector = response.xpath("//div[@class='indent']/table")#已debug，长度为25
        print(len(div_selector))
        for one_selector in div_selector:
 
 
            #标题
            title = one_selector.xpath("tr[@class='item']/td/div[@class='pl2']/a/text()").extract()[0]
 
            #主要信息
            detail =one_selector.xpath("tr[@class='item']/td/p[@class='pl']/text()").extract()[0]
 
            #评分
            score = one_selector.xpath("tr[@class='item']/td/div[@class='star clearfix']/span[@class='rating_nums']/text()").extract()[0]
 
            #异常处理机制，如果有summaries可以爬，就爬；如果没有，就直接视为空格录入csv文件
            try:
                #总结
                summaries = one_selector.xpath("tr[@class='item']/td/p/span[@class='inq']/text()").extract()[0]
                if summaries:
                    book = DoubanbookItem(title=title,detail=detail,score=score, summaries=summaries)
                    yield book
                # print(summaries)
 
            except Exception :
                book = DoubanbookItem(title=title, detail=detail, score=score, summaries=" ")
                yield book
 
        #翻页(如果有的话)
        try:
            next_url = response.xpath("//div[@class='paginator']/span[@class='next']/a/@href").extract()[0]
            if next_url:
                yield scrapy.Request(url=next_url, callback=self.parse)
 
 
        except Exception as e:
            self.logger.error(f"An error occurred: {e}")
 
 
 
 
 

（1）首先就是response对象中xpath属性规则的编写，一定要一层层往里定位，不要跳层，哪怕写错一个符号，都可能无法爬取【地址都给错了，爬虫根本就找不到，你说怎么爬】

（2）还有一个很重要的，也是我在该项目遇到的问题。例如这250本书，有一些是没有写总结信息的，所以一旦爬到该本书，就会报错，爬虫就不再爬了。所以要加入异常处理机制

【try-except Exception】，当爬到某本书发现该书缺了某个信息的时候，就将该信息记为空进行储存，然后再继续爬下一本。通过异常处理机制，我也顺利爬取成功.