Scrapy爬虫爬取电影天堂

最新推荐文章于 2024-05-14 19:45:37 发布

Small-J

最新推荐文章于 2024-05-14 19:45:37 发布

阅读量2.4k

点赞数

分类专栏： Python爬虫文章标签： python 爬虫后端

本文链接：https://blog.csdn.net/qq_37662827/article/details/104700715

版权

Python爬虫专栏收录该内容

24 篇文章

订阅专栏

本文介绍使用ScrapyCrawlSpider爬取电影天堂网站的过程，包括项目创建、爬虫定义、数据解析及Mysql存储。通过XPath提取电影标题、发布时间和下载链接，并利用pymysql将数据保存至本地数据库。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Scrapy CrawlSpider爬取

目标网址：http://www.dytt8.net
创建项目：scrapy startproject <爬虫项目文件的名字>
生成 CrawlSpider 命令：scrapy genspider -t crawl <爬虫名字> <爬虫域名>
终端运行：scrapy crawl <爬虫的名字>
Python操作Mysql数据库操作： https://www.runoob.com/python/python-reg-expressions.html

爬虫文件

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re


class DySpider(CrawlSpider):
    name = 'dy'
    allowed_domains = ['www.dytt8.net']
    start_urls = ['http://www.dytt8.net/']

    rules = (
        Rule(LinkExtractor(allow=r'dytt8\.net/html/gndy/dyzz/\d+/\d+\.html'), callback='parse_item'),
    )

    def parse_item(self, response):
        item = {}
        item['title'] = response.xpath('//div[@class="title_all"]/h1/font/text()').get()
        item['datetime'] = response.xpath('//div[@class="co_content8"]/ul/text()').get()
        item['datetime'] = re.sub('\r\n', '', item['datetime'])
        item['download'] = response.xpath('//div[@class="co_area2"]//tbody//td/a/@href').get()
        yield item

pipelines.py 管道文件

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import pymysql


class MoviesPipeline(object):
    def __init__(self):
        self.db = pymysql.connect('127.0.0.1', 'root', 'root', 'spider')
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        sql = 'create table if not exists movies (title varchar (255) not null ,datetime varchar (255) not null , download varchar (255) not  null )'
        sql_insert = 'insert into movies(title, datetime, download) value (%s, %s, %s)'
        args = (item['title'], item['datetime'], item['download'])
        self.cursor.execute(sql)
        self.cursor.execute(sql_insert, args)
        return item

    def close_spider(self, spider):
        self.db.commit()
        self.db.close()

运行结果：
在这里插入图片描述