1、项目简介
本次项目利用scrapy爬虫框架实现抓取豆瓣top250的详情页信息,主要字段如下:
主要字段:
Num——》电影排名
DetailLink——》详情页链接
Title——》电影标题
RatingNum——》评分
Votes——》评价人数
Director——》导演
Writer——》编剧
Actor——》主演
Type——》类型
ReleaseDate——》上映时间
RunTime——》片长
2、创建项目文件
创建一个scrapy工程
crapy startproject douban
创建爬虫源文件
scrapy genspider douban250 www.douban.com
3、爬虫文件配置
3.1配置setting文件
1)反爬配置
# 关闭 robots
ROBOTSTXT_OBEY = False
# 配置请求头
```python
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36'
# 为方便调试 修改日志等级为‘ERROR’
LOG_LEVEL = 'ERROR'
2)开启管道
ITEM_PIPELINES = {
'douban.pipelines.DoubanPipeline': 300,
}
3.2配置items文件
定义要爬取的字段
class DoubanItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
Num = scrapy.Field()
DetailLink = scrapy.Field()
Title = scrapy.Field()
RatingNum = scrapy.Field()
Votes = scrapy.Field()
Director = scrapy.Field()
Writer = scrapy.Field()
Actor