Scrapy教程(一)爬取豆瓣top250电影
2017-07-02 16:06
411 查看
一、介绍
个人最近学习scrapy的一个练手项目,因为是爬取静态网页比较简单,不过还是基本熟悉了用scrapy进行爬虫的流程。爬取的是豆瓣top250的电影名称,导演,评分等。二、代码解析
首先创建初始爬虫项目, cd到想保存的目录,然后在命令行中输入$ scrapy startproject top250
然后我们开始更改item.py文件,代码如下
import scrapy class Top250Item(scrapy.Item): movie_name = scrapy.Field() director = scrapy.Field() actor = scrapy.Field() type = scrapy.Field() score = scrapy.Field()
pipeline不用修改,但我们需要修改setting
BOT_NAME = 'top250' SPIDER_MODULES = ['top250.spiders'] NEWSPIDER_MODULE = 'top250.spiders' FEED_URI = './TOP250.csv' # 输入保存的位置 FEED_FORMAT = 'csv' # 保存为csv格式 USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36' # 在google里输入‘what is my user agent’就可以找到
下面就要开始正式的工作了,我们在spiders文件夹下创建一个名为mySpider.py的文件,然后输入以下代码
# -*- coding:utf-8 -*- from scrapy.spider import Spider from scrapy.http import Request from scrapy.selector import Selector from top250.items import Top250Item from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.linkextractors import LinkExtractor import re class mySpider(CrawlSpider): name = 'movies' # 爬虫名 download_delay = 1 # 设置下载延迟 allowed_domains = ['movie.douban.com'] #允许爬取的主域名 start_urls =["https://movie.douban.com/top250"] #开始爬取的地址 rules = [Rule(LinkExtractor(allow=(r'https://movie.douban.com/top250\?start=\d+.*'))), Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/\d+')), callback='parse_item', follow=False)] #设置爬取的规则 def parse_item(self, response): #自定义网页解析 sel = Selector(response) item = Top250Item() #利用xpath表达式来进行内容的提取,.加入encode('GBK')的作用是防止中文在csv中显示为乱码。 item['movie_name'] = [m.encode('GBK') for m in sel.xpath('//*[@id="content"]/h1/span[1]/text()').extract()] item['director'] = [m.encode('GBK') for m in sel.xpath('//*[@id="info"]/span[1]/span[2]/a/text()').extract()] item['actor'] = [m.encode('GBK') for m in sel.xpath('//*[@id="info"]/span[3]/span[2]/a/text()').extract()] item['type'] = [m.encode('GBK') for m in sel.xpath('//*[@id="info"]/span[6]/text()').extract()] item['score'] = sel.xpath('//*[@id="interest_sectl"]/div[1]/div[2]/strong/text()').extract() yield item
介绍一个chrome中很好用的工具,可以自动帮你写出xpath表达式
。用法是将需要提取的元素拉黑选定,点击右键,选择‘检查’,然后在相应的代码位置点击右键,选择‘copy -> copy xpath’即可
运行爬虫
cd到项目的目录,在命令行中输入
scrapy crawl movies
最后爬取的效果如图所示
相关文章推荐
- Scrapy教程--豆瓣电影图片爬取
- Scrapy爬豆瓣电影Top250并存入MySQL数据库
- scrapy爬取豆瓣电影top250并存储到mysql
- scrapy爬取豆瓣TOP250电影
- scrapy爬取豆瓣top250电影
- 用Scrapy对豆瓣top250进行电影详细信息爬取
- 用scrapy框架爬取豆瓣Top250电影
- Scrapy安装、爬虫入门教程、爬虫实例(豆瓣电影爬虫)
- scrapy爬虫框架教程(二)-- 爬取豆瓣电影TOP250
- 豆瓣爬虫:top250电影
- 爬取豆瓣TOP250电影的评分、评价人数、短评等信息,并在其保存在sql数据库中。
- 从零开始写个一个豆瓣电影 (小程序教程1)
- 从零开始写个一个豆瓣电影 (小程序教程2)”
- 使用scrapy、selenium、phantojs抓取豆瓣热门电影的spider
- Python调用豆瓣API抓取top250电影并存储进数据库
- scrapy1.3爬取豆瓣电影top250
- Scrapy框架学习 - 爬取豆瓣电影排行榜TOP250所有电影信息并保存到MongoDB数据库中
- Scrapy抓取豆瓣电影
- 新手第一次使用python爬取豆瓣电影top250遇到的错误
- 使用scrapy+mongodb爬取豆瓣电影TOP250