Scrapy爬虫实战项目【001】 - 抓取猫眼电影TOP100
2018-08-25 17:24
441 查看
爬取猫眼电影TOP100
参考来源:静觅丨崔庆才的个人博客 https://cuiqingcai.com/5534.html
目的:使用Scrapy爬取猫眼电影TOP100并保存至MONGODB数据库
目标网址:http://maoyan.com/board/4?offset=0
分析/知识点:
爬取难度:
a. 入门级,网页结构简单,静态HTML,少量JS,不涉及AJAX;
b. 处理分页需要用到正则;MONGODB的update语句使用:
a. update语句:具备查重/插入新数据功能,以title为查重标准
def process_item(self, item, spider): self.db['movies'].update({'title': item['title']}, {'$set': item}, upsert=True) #注意upsert=True,更新并插入 return item
实际步骤:
1) 创建Scrapy项目/maoyan(spider)
Terminal: > scrapy startproject maoyan_movie Terminal: > scrapy genspider maoyan maoyan.com/board/4?offset=
2) 配置settings.py文件
# MONGODB配置 MONGO_URI = 'localhost' MONGO_DB = 'maoyan_movie' ... # 启用MongoPipeline ITEM_PIPELINES = { 'maoyan_movie.pipelines.MongoPipeline': 300, }
3) 编写items.py文件
from scrapy import Item, Field class MovieItem(Item): title = Field() #电影标题 actors = Field() #演员 releasetime = Field() #上映时间 cover_img = Field() #缩略图 detail_page = Field() #电影详情页url score = Field() #电影评分
4) 编写pipelines.py文件
根据Scrapy官方文档修改:https://doc.scrapy.org/en/latest/topics/item-pipeline.html?highlight=mongo
import pymongo class MongoPipeline(object): def __init__(self, mongo_uri, mongo_db): self.mongo_uri = mongo_uri self.mongo_db = mongo_db @classmethod def from_crawler(cls, crawler): return cls( mongo_uri=crawler.settings.get('MONGO_URI'), mongo_db=crawler.settings.get('MONGO_DB') ) def open_spider(self, spider): self.client = pymongo.MongoClient(self.mongo_uri) self.db = self.client[self.mongo_db] def close_spider(self, spider): self.client.close() # !! 更新MONGODB,使用UPDATE方法,查重功能(以title字段进行判断) def process_item(self, item, spider): self.db['movies'].update({'title': item['title']}, {'$set': item}, upsert=True) return item
5) 编写spiders > maoyan.py文件
注意:
a) 使用scrapy的css selector进行节点解析;
b) 获取电影缩略图url时,注意需要根据网页源代码写css选择器,和审查元素中看到的不同;
item['cover_img'] = movie.css('a.image-link img.board-img::attr(data-src)').extract_first()
c) 获取下一页节点时,直接使用xpath或css难以直接获得,需要使用正则匹配;
next = response.xpath('.').re_first(r'href="(.*?)">下一页</a>')
d) 完整代码如下:
from scrapy import Spider, Request from maoyan_movie.items import MovieItem class MaoyanSpider(Spider): name = 'maoyan' allowed_domains = ['maoyan.com/board/4?offset='] start_urls = ['http://maoyan.com/board/4?offset='] # 每部电影详情页的基本前缀url base_url = 'http://maoyan.com' # 下一页前缀url next_base_url = 'http://maoyan.com/board/4' def parse(self, response): if response: # 获取每页所有电影的节点 movies = response.css('dl.board-wrapper dd') # 获取所有电影相关节点,切记!!不能加上extract() item = MovieItem() for movie in movies: item['title'] = movie.css('p.name a::text').extract_first() item['actors'] = movie.css('p.star::text').extract_first().strip() item['releasetime'] = movie.css('p.releasetime::text').extract_first().strip() item['score'] = movie.css('i.integer::text').extract_first() + movie.css( 'i.fraction::text').extract_first() item['detail_page'] = self.base_url + movie.css('p.name a::attr(href)').extract_first() item['cover_img'] = movie.css( 'a.image-link img.board-img::attr(data-src)').extract_first() # 注意:需要根据网页源码写css选择器,和审查元素中的不同,估计是受JS影响 yield item # 处理下一页 next = response.xpath('.').re_first(r'href="(.*?)">下一页</a>') if next: next_url = self.next_base_url + next yield Request(url=next_url, callback=self.parse, dont_filter=True)
6) 运行结果
小结
- 入门级项目,熟悉了Scrapy的基本使用流程;
- Scrapy的css/xpath选择器、正则写法需要进一步熟悉;
- pymongo的update语句,需要进一步熟练掌握。
相关文章推荐
- python爬虫实战:抓取猫眼电影TOP100存放到MongoDB中
- Scrapy爬虫实战项目【003】 - 抓取360图解电影
- Python爬虫之抓取猫眼电影TOP100
- Python爬虫之三:抓取猫眼电影TOP100
- python 爬虫抓取猫眼电影 top100 源码
- 爬虫项目实战:51job抓取--scrapy版存于数据库
- Python实战---抓取猫眼电影TOP100
- 实践Python的爬虫框架Scrapy来抓取豆瓣电影TOP250
- python爬虫爬取猫眼电影top100
- Python爬虫框架Scrapy实战之批量抓取招聘信息
- Python爬虫框架Scrapy 学习笔记 10.2 -------【实战】 抓取天猫某网店所有宝贝详情
- 今天写的一个用爬虫爬猫眼电影top100的完整代码
- Python爬虫框架Scrapy 学习笔记 10.1 -------【实战】 抓取天猫某网店所有宝贝详情
- python爬虫实战---猫眼电影:西虹市首富的评论抓取
- 【实战\聚焦Python分布式爬虫必学框架Scrapy 打造搜索引擎项目笔记】第1章 课程介绍
- 爬虫框架Scrapy实战之批量抓取招聘信息--附源码
- Python爬虫-爬取猫眼电影Top100榜单
- 【实战\聚焦Python分布式爬虫必学框架Scrapy 打造搜索引擎项目笔记】第5章 scrapy爬取知名问答网站(1)
- Python爬虫框架Scrapy 学习笔记 10.2 -------【实战】 抓取天猫某网店所有宝贝详情
- Python3 大型网络爬虫实战 003 — scrapy 大型静态图片网站爬虫项目实战 — 实战:爬取 169美女图片网 高清图片