henryhaoo / wenshu_spider

:rainbow:Wenshu_Spider-Scrapy框架爬取**裁判文书网案件数据

Scrapy框架爬取**裁判文书网案件数据

**裁判文书网 - http://wenshu.court.gov.cn/

Author	😎Henryhaohao😎
Email	♥️[email protected]♥️

---

🐬声明

抱歉，代码仅用于学习交流！！所以在此我并没有公开部分参数的JS解密文件。感谢大家！

因为我不想被请 drink tea 啊~~:coffee:大家懂得哈！:eyes:

🐬介绍

该项目为Scrapy框架爬取**裁判文书网案件数据（2018-10-20最新版）

• 项目文件: Wenshu_Project
• 运行须知:

数据库配置 : 运行前根据自己需要修改settings.py中的MongoDB数据库的配置

反爬问题 : 由于文书网的反爬监控很严格（一级验证码,二级验证码,JavaScript反爬,IP检测...）,所有采用阿布云动态隧道代理方案,每一次request请求都是不同的IP,这样就不会触发反爬检测了~:sunglasses:。还是挺好用的,基本上每个IP都可以用,主要也还方便,直接用它的代理服务器发出请求,不用像一般的代理IP那样还需要取出IP,再代入IP进行请求。代理相关配置在middlewares.py的类ProxyMiddleware中。

爬取策略问题 : 现在的文书网总量已经高达5千多万份了,但是每个筛选条件下只能查看20页,每页10条。本项目以爬取1996-2000年的所有文书为例,大家有好的爬取方案,可以自行修改Param参数即可。

速度问题 : 配置在setting.py中:DOWNLOAD_DELAY = 0（无delay实现请求0延时）;CONCURRENT_REQUESTS_PER_SPIDER = 5 （开启线程数为5）;因为我用的代理配置是默认的每秒5个请求数,所以在此设置线程数为5;如果想爬取更快,可以加大代理请求数（当然是要money滴~）,最高可以加到100的请求数,我滴天呀,那得多快啊！我现在的速度大概每秒爬取4个案件,加到100的话,估计每秒80个,一分钟4800个,一小时288000,一天就是6912000,目前总量5千4百万,大概8~9天就能爬完,如果在加上redis分布式的话,哇,不敢想象！:yum:

🐬运行环境

Version: Python3

🐬安装依赖库

pip3 install -r requirements.txt

🐬存储数据库

Database: MongoDB

🐬相关截图

• 运行过程
  
  
• 数据截图
  
  
• 阿布云
  
  

🐬总结

最后，如果你觉得这个项目不错或者对你有帮助，给个Star呗，也算是对我学习路上的一种鼓励！
哈哈哈，感谢大家！笔芯哟~💘💘