这是一个创建于 2987 天前的主题，其中的信息可能已经有所发展或是发生改变。
思路：因为豆瓣的 subject_id 是非连续的而且数量很大，穷举的话看上去不科学，但是豆瓣推荐系统做得还不错，适合用 CrawlSpider 来爬 流程： subject spider 爬取对应 subject_id -> meta spider 获取元数据和下载封面图片 -> comment spider 获取评论信息
从最初的 urllib + re 到 Requests + BeautifulSoup 再到 Scrapy ，豆瓣依然是最佳实验场地，代码是很久前写的我改了一下运行良好，人真的很奇怪，以前我总想知道别人服务器上面跑的代码到底长什么样，自己写了呢又老是让它吃灰，不如分享出来，希望能帮助一下初学或者想学 Scrapy 的同学了解一下数据匹配，校验，图片管道的使用
9 条回复 • 2016-09-12 14:36:25 +08:00
 |
1
zhy0216 2016-09-12 08:40:09 +08:00
触发了 douban 的反爬虫机制会有什么措施么?
|
|
2
zhy0216 2016-09-12 08:44:20 +08:00
另外好像豆瓣读书 subject_id 是连续的吧??
|
 |
3
prefere 2016-09-12 08:46:41 +08:00
豆瓣，我招谁惹谁了？ dog
|
 |
4
ooh OP @zhy0216 我没触发过，我遇到过的情况就是豆瓣好像有种认证机制，它发现是异常访问会 302 给你一个链接或者一个带有 js 跳转的页面， curl 访问一下对应链接就正常了， subject_id 并不连续，你修改大数位上面的数字就会发现
|
|
5
zhy0216 2016-09-12 09:29:12 +08:00
@ooh 好像是验证码 不过豆瓣的验证码应该好破; 不过正常来讲用代理池来做好些
然后可能是部分连续 https://book.douban.com/subject/1000001/ 这是第一本书 可能后面改机制了就不连续了 |
 |
7
robinlovemaggie 2016-09-12 11:20:06 +08:00
已被滚屏滚晕中😵……
|
 |
8
inmyfree 2016-09-12 13:53:39 +08:00
步骤目录写错了，
cd movie/book 应该是 cd book/book |
Select Language