scrapy爬取豆瓣top250电影

刚开始接触爬虫,第一次使用scrapy 爬取数据
一、步骤

  1. 安装scrapy
pip install scrapy
  1. 创建爬虫项目
scrapy startproject doubanScrapy
  1. 创建爬虫程序
 scrapy genspider doubanmovie movie.douban.com
  1. 更改setting.py文件,添加user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'

5.items.py文件填写,主要写的是爬虫信息情况

class DoubanscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    movie_name = scrapy.Field()
    yanyuan = scrapy.Field()
    time_juqing = scrapy.Field()
    move_star = scrapy.Field()
    evaluate = scrapy.Field()
    introduce = scrapy.Field()

6.爬取详情信息脚本编写,在parse方法中填写

    def parse(self, response):
        movies = response.xpath('//div[@class="item"]')
        for movie in movies:
            movie_name = movie.xpath('../div/div[2]/div[1]/a/span[1]/text()')[0].extract().replace(' ', "")
            yanyuan = movie.xpath('../div/div[2]/div[2]/p[1]/text()')[0].extract().replace(' ', "")
            time_juqing = movie.xpath('../div/div[2]/div[2]/p[1]/text()[2]')[0].extract().replace(' ', "")
            move_star = movie.xpath('../div/div[2]/div[2]/div/span[2]/text()')[0].extract().replace(' ', "")
            evaluate = movie.xpath('../div/div[2]/div[2]/div/span[4]/text()')[0].extract().replace(' ', "").replace(
                '人评价', "")
            introduce = movie.xpath('../div/div[2]/div[2]/p[2]/span/text()')[0].extract().replace(' ', "")
            item = DoubanscrapyItem()
            item['movie_name'] = movie_name
            item['yanyuan'] = yanyuan
            item['time_juqing'] = time_juqing
            item['move_star'] = move_star
            item['evaluate'] = evaluate
            item['introduce'] = introduce
            yield item

7.运行程序,在cmd命令中输出

scrapy crawl doubanmovie -o tt.csv -t csv

二、 完整的代码:

import scrapy
from doubanScrapy.items import DoubanscrapyItem
from scrapy import Request


class DoubanmovieSpider(scrapy.Spider):
    name = 'doubanmovie'
    allowed_domains = ['movie.douban.com']
    start_urls = ['http://movie.douban.com/top250']

    def parse(self, response):
        movies = response.xpath('//div[@class="item"]')
        for movie in movies:
            movie_name = movie.xpath('../div/div[2]/div[1]/a/span[1]/text()')[0].extract().replace(' ', "")
            yanyuan = movie.xpath('../div/div[2]/div[2]/p[1]/text()')[0].extract().replace(' ', "")
            time_juqing = movie.xpath('../div/div[2]/div[2]/p[1]/text()[2]')[0].extract().replace(' ', "")
            move_star = movie.xpath('../div/div[2]/div[2]/div/span[2]/text()')[0].extract().replace(' ', "")
            evaluate = movie.xpath('../div/div[2]/div[2]/div/span[4]/text()')[0].extract().replace(' ', "").replace(
                '人评价', "")
            introduce = movie.xpath('../div/div[2]/div[2]/p[2]/span/text()')[0].extract().replace(' ', "")
            item = DoubanscrapyItem()
            item['movie_name'] = movie_name
            item['yanyuan'] = yanyuan
            item['time_juqing'] = time_juqing
            item['move_star'] = move_star
            item['evaluate'] = evaluate
            item['introduce'] = introduce
            yield item

            next_page = response.selector.xpath('//span[@class="next"]/link/@href').extract()
            if next_page:
                next_page = next_page[0]
                yield Request(self.start_urls[0] + next_page, callback=self.parse)

输出结果:
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面是使用Scrapy爬取豆瓣Top250电影的步骤: 1. 创建新的Scrapy项目 在命令行中使用以下命令创建新的Scrapy项目: ``` scrapy startproject douban_top250 ``` 这将创建一个名为douban_top250的新Scrapy项目。 2. 创建Spider 在Scrapy项目中,Spider是用于定义如何爬取特定网站的类。在douban_top250项目中创建一个新的Spider,命名为douban_spider.py。 在douban_spider.py中,我们将定义如何爬取豆瓣Top250电影的网页。 ```python import scrapy class DoubanSpider(scrapy.Spider): name = "douban" allowed_domains = ["douban.com"] start_urls = ["https://movie.douban.com/top250"] def parse(self, response): pass ``` 在上面的代码中,我们定义了一个名为DoubanSpider的Spider类。我们设置了Spider的名称为“douban”,并设置了豆瓣网站的域名为“douban.com”。 我们还定义了一个start_urls列表,其中包含我们要爬取的第一个网址。最后,我们定义了一个名为parse的方法,该方法将在Scrapy下载网页并准备解析后自动调用。 3. 解析网页 在parse方法中,我们将解析豆瓣Top250电影的网页。请注意,我们需要使用XPath或CSS选择器来提取我们需要的数据。 ```python import scrapy class DoubanSpider(scrapy.Spider): name = "douban" allowed_domains = ["douban.com"] start_urls = ["https://movie.douban.com/top250"] def parse(self, response): for movie in response.xpath('//div[@class="info"]'): yield { "title": movie.xpath('div[@class="hd"]/a/span[@class="title"]/text()').extract_first(), "rating": movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract_first(), "link": movie.xpath('div[@class="hd"]/a/@href').extract_first(), } ``` 在上面的代码中,我们使用XPath选择器来提取电影的标题、评分和链接。我们使用yield关键字将每个电影的数据作为字典返回。由于我们使用yield关键字而不是return关键字,这将使Scrapy在处理每个电影时暂停,而不是等待所有电影都被处理后再返回它们的数据。 4. 运行Spider 要运行Spider,请在命令行中转到Scrapy项目的根目录,并使用以下命令: ``` scrapy crawl douban -o douban.csv ``` 这将运行名为“douban”的Spider,并将结果保存在名为“douban.csv”的CSV文件中。 这就是使用Scrapy爬取豆瓣Top250电影的简单步骤。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值