scrapy 中文教程

2025-11-07 08:32:05

1、在Item中定义自己要抓取的数据:

scrapy 中文教程

2、movie_name就像是字典中的“键”,爬到的数据就像似字典中的“值”。在继承了BaseSpider的类中会用到:

scrapy 中文教程

3、然后在spiders目录下编辑Spider.py那个文件

按上面【入门教程】来写就行了,我这边给个例子,跟我上面的item是匹配的:

【入门教程】你没有给出start_requests这个方法,稍后我会讲到这个方法。另外这里的代码我都是截图,后面我会用代码面板显示我的代码,有需要的人可以复制下来玩玩。

scrapy 中文教程

4、编辑pipelines.py文件,可以通过它将保存在TutorialItem中的内容写入到数据库或者文件中

下面的代码示例是写到文件(如果要写到数据库中去,这里有个示例代码)中去:

对json模块的方法的注释:dump和dumps(从Python生成JSON),load和loads(解析JSON成Python的数据类型);dump和dumps的唯一区别是dump会生成一个类文件对象,dumps会生成字符串,同理load和loads分别解析类文件对象和字符串格式的JSON。(注释来于http://www.jb51.net/article/52224.htm )

scrapy 中文教程

5、爬虫开始

上述三个过程后就可以爬虫了,仅需上述三个过程哟,然后在dos中将目录切换到tutorial下输入scrapy crawl douban就可以爬啦:

scrapy 中文教程

6、#coding=utf-8

import sys

reload(sys)

#python默认环境编码时ascii

sys.setdefaultencoding("utf-8")

from scrapy.spider import BaseSpider

from scrapy.http import Request

from scrapy.selector import HtmlXPathSelector

from tutorial.items import TutorialItem

import re

class DoubanSpider(BaseSpider):

    name = "douban"

    allowed_domains = ["movie.douban.com"]

    start_urls = []

    def start_requests(self):

        file_object = open('movie_name.txt','r')

        try:

            url_head = "http://movie.douban.com/subject_search?search_text="

            for line in file_object:

                self.start_urls.append(url_head + line)

            

            for url in self.start_urls:

                yield self.make_requests_from_url(url)

        finally:

            file_object.close()

            #years_object.close()

    def parse(self, response):

        #open("test.html",'wb').write(response.body)

        hxs = HtmlXPathSelector(response)

        #movie_name = hxs.select('//*[@id="content"]/div/div[1]/div[2]/table[1]/tr/td[1]/a/@title').extract()

        movie_link = hxs.select('//*[@id="content"]/div/div[1]/div[2]/table[1]/tr/td[1]/a/@href').extract()

        #movie_desc = hxs.select('//*[@id="content"]/div/div[1]/div[2]/table[1]/tr/td[2]/div/p/text()').extract()

        if movie_link:

            yield Request(movie_link[0],callback=self.parse_item)

        

        

    def parse_item(self,response):

        hxs = HtmlXPathSelector(response)

        movie_name = hxs.select('//*[@id="content"]/h1/span[1]/text()').extract()

        movie_director = hxs.select('//*[@id="info"]/span[1]/span[2]/a/text()').extract()

        movie_writer = hxs.select('//*[@id="info"]/span[2]/span[2]/a/text()').extract()

        #爬取电影详情需要在已有对象中继续爬取

        movie_description_paths = hxs.select('//*[@id="link-report"]')

        movie_description = []

        for movie_description_path in movie_description_paths:

            movie_description = movie_description_path.select('.//*[@property="v:summary"]/text()').extract()

        #提取演员需要从已有的xPath对象中继续爬我要的内容

        movie_roles_paths = hxs.select('//*[@id="info"]/span[3]/span[2]')

        movie_roles = []

        for movie_roles_path in movie_roles_paths:

            movie_roles = movie_roles_path.select('.//*[@rel="v:starring"]/text()').extract()

        #获取电影详细信息序列

        movie_detail = hxs.select('//*[@id="info"]').extract()

        item = TutorialItem()

        item['movie_name'] = ''.join(movie_name).strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';')

        #item['movie_link'] = movie_link[0]

        item['movie_director'] = movie_director[0].strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';') if len(movie_director) > 0 else ''

        #由于逗号是拿来分割电影所有信息的,所以需要处理逗号;引号也要处理,否则插入数据库会有问题

        item['movie_description'] = movie_description[0].strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';') if len(movie_description) > 0 else ''

        item['movie_writer'] = ';'.join(movie_writer).strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';')

        item['movie_roles'] = ';'.join(movie_roles).strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';')

        #item['movie_language'] = movie_language[0].strip() if len(movie_language) > 0 else ''

        #item['movie_date'] = ''.join(movie_date).strip()

        #item['movie_long'] = ''.join(movie_long).strip()

        

        #电影详情信息字符串

        movie_detail_str = ''.join(movie_detail).strip()

        #print movie_detail_str

        movie_language_str = ".*语言:</span> (.+?)<br><span.*".decode("utf8")

        movie_date_str = ".*上映日期:</span> <span property=\"v:initialReleaseDate\" content=\"(\S+?)\">(\S+?)</span>.*".decode("utf8")

        movie_long_str = ".*片长:</span> <span property=\"v:runtime\" content=\"(\d+).*".decode("utf8")

        

        pattern_language =re.compile(movie_language_str,re.S)

        pattern_date = re.compile(movie_date_str,re.S)

        pattern_long = re.compile(movie_long_str,re.S)

        

        

        movie_language = re.search(pattern_language,movie_detail_str)

        movie_date = re.search(pattern_date,movie_detail_str)

        movie_long = re.search(pattern_long,movie_detail_str)

        item['movie_language'] = ""

        if movie_language:

            item['movie_language'] = movie_language.group(1).strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';')

        #item['movie_detail'] = ''.join(movie_detail).strip()

        item['movie_date'] = ""

        if movie_date:

            item['movie_date'] = movie_date.group(1).strip().replace(',',';').replace('\'','\\\'').replace('\"','\\\"').replace(':',';')

        item['movie_long'] = ""

        if movie_long:

            item['movie_long'] = movie_long.group(1)

        yield item

douban_spider.py

声明:本网站引用、摘录或转载内容仅供网站访问者交流或参考,不代表本站立场,如存在版权或非法内容,请联系站长删除,联系邮箱:site.kefu@qq.com。
相关推荐
  • 阅读量:185
  • 阅读量:99
  • 阅读量:191
  • 阅读量:95
  • 阅读量:187
  • 猜你喜欢