Scrapy框架抓取豆瓣电影的小爬虫学习日记（二）

爬虫模块创建完成后，仅仅拥有了网页下载功能，接下来就需要进行网页数据的提取。

Scrapy有自己的一套数据提取机制，叫做选择器（selector），是通过特定的XPath或者CSS表达式来选择HTML文件中的某个部分。不过我之前主要使用的是BeautifulSoup包来解析网页，所以这里还继续用了BeautifulSoup，感兴趣的同学可以去找文章看看XPath的方法。

页面数据的提取还是在parse方法中完成，首先我们看一下豆瓣电影网页的html文件，https://movie.douban.com/。发现主页有正在热映电影的简要介绍，而如果想得到比较多的影片信息的介绍，则需要打开每一个具体的影片页面，获得更多的信息。这里发现主页会有URL地址，在a标签下，οnclick="moreurl(this,{from:'mv_a_tl'})"中。

首先获取页面，然后用BeautifulSoup方法解析页面。通过find_all找到页面中含有电影URL的标签，并get到“href”属性，就得到了具体一部电影的URL地址，然后加入到full_urls中。然后再从full_urls中取出地址，打开每部影片，从里面获取到标题，年份，导演，主演等详细的影片资料。

具体代码如下：

    def parse(self,response):
        data = response.body
        soup = BeautifulSoup(data,'lxml')

        f