scrapy框架----爬取B站榜单信息

1.启项目

scrapy startproject Bilibili
cd Bilibili
scrapy genspider bilibili www.bilibili.com

2.管道文件 items.py
定义要爬取的数据结构

import scrapy

class BilibiliItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 类型只有Field吗?>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
    rank_type = scrapy.Field()         # 榜单类型
    rank_no = scrapy.Field()           # 排名
    title = scrapy.Field()             # 标题
    play_num = scrapy.Field()          # 播放数
    comment_num = scrapy.Field()       # 评论数
    uploader = scrapy.Field()          # 上传者
    score = scrapy.Field()             # 评分
    set_name = scrapy.Field()          # mongo中的库名

3.爬虫程序 bilibili.py

from Bilibili.items import BilibiliItem

class BilibiliSpider(scrapy.Spider):
    name = 'bilibili'
    allowed_domains = ['www.bilibili.com']
    # start_urls = ['http://www.bilibili.com/']
    base_url = 'https://www.bilibili.com/ranking/'
    rank_type = {
        'all': ['all/0/0/3', '全站榜'],
        'origin': ['origin/0/0/3', '原创榜'],
        'bangumi': ['bangumi/13/0/3', '新番榜'],
        'cinema': ['cinema/177/0/3', '影视榜'],
        'rookie': ['rookie/0/0/3', '新人榜']
    }

    # 爬虫开始的函数,向调度器发送url并指定回调函数
    def start_requests(self):
        # 调用类中的变量要加self
        for value in self.rank_type.values():
            url = self.base_url + value[0]
            yield scrapy.Request(url, callback=self.parse)

    def parse(self, response):
        item = BilibiliItem()
        # 获得请求的url地址
        url = response.url
        item['set_name'] = url.split('/')[4]
        item['rank_type'] = self.rank_type[item['set_name']][1]
        # 直接对response进行xpath解析,得到选择器对象的列表
        info_list = response.xpath("//div[@class='rank-list-wrap']/ul/li")
        # 遍历每一个li元素
        for info in info_list:
            item['rank_no'] = info.xpath("./div[@class='num']/text()")[0].extract()
            item['title'] = info.xpath(".//div[@class='info']/a/text()")[0].extract()
            # 这里是一个li元素里面,所以xpath解析出来只有3个元素,索引取值即可
            detals = info.xpath(".//span/text()")
            item['play_num'] = detals[0].extract()
            item['comment_num'] = detals[1].extract()
            item['uploader'] = detals[2].extract()
            item['score'] = info.xpath(".//div[2]/div/text()")[0].extract()
            yield item

4.管道文件 pipelines.py

import pymongo, pymysql, csv

from .settings import *

class MongoDBPipeline(object):
    def __init__(self):
        self.conn = pymongo.MongoClient(MONGO_HOST, MONGO_PORT)
        self.db = self.conn['Bili']

    def process_item(self, item, spider):
        # spider参数有什么用?
        self.set = self.db[item['set_name']]
        d = dict(item)
        self.set.insert_one(d)
        return item


class CSVPipeline(object):
    # 可以实现写入一个csv文件的不同sheet吗?>>>>>>>>>>>>>>>>>>>>>>>>>>>
    def process_item(self, item, spider):
        # 写入csv文件,需要设置encoding属性为gb18030(utf-8会出现乱码)
        with open(item['rank_type']+".csv", 'a', newline='', encoding='gb18030') as f:
            writer = csv.writer(f)
            writer.writerow(
                [item['rank_no'],item['title'],
                 item['play_num'],item['comment_num'],
                 item['uploader'],item['score']
                 ])
        return item


class MysqlPipeline(object):
    def __init__(self):
        self.db = pymysql.connect(MYSQL_HOST,MYSQL_USER,MYSQL_PASSWORD,MYSQL_DB,charset='utf8')
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        # sql语句可使用占位符,execute的时候加个参数列表
        sql = 'insert into test values(%s,%s,%s,%s,%s,%s)'
        self.cursor.execute(sql,[
                                    item['rank_no'], item['title'],item['play_num'],
                                    item['comment_num'],item['uploader'],item['score']
                                ])
        self.db.commit()
        return item

    # 爬虫程序结束前的善后操作,只执行一次
    def close_spider(self,spider):
        self.cursor.close()
        self.db.close()
        print('关数据库')

5.修改配置 settings.py

# 关闭robots协议
ROBOTSTXT_OBEY = False

# 设置默认请求头
DEFAULT_REQUEST_HEADERS = {
    'User-Agent': 'Mozilla/5.0',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
}

# 开启下载管道
ITEM_PIPELINES = {
   'Bilibili.pipelines.MongoDBPipeline': 300,
    'Bilibili.pipelines.CSVPipeline': 200,
    'Bilibili.pipelines.MysqlPipeline': 100,
}

# 设置数据库参数
MONGO_HOST = '192.168.0.106'
MONGO_PORT = 27017

MYSQL_HOST = '192.168.0.106'
MYSQL_USER = 'root'
MYSQL_PASSWORD = '123456'
MYSQL_DB = 'Scrapy'

# 设置日志级别和日志文件
LOG_LEVEL = 'WARNING'
LOG_FILE = 'spider.log'

6.项目启动创建begin.py(和scrapy.cfg文件同目录)

from scrapy import cmdline

cmdline.execute('scrapy crawl bilibili'.split())
  • 1
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面是简单的步骤: 1. 安装 scrapyscrapy-redis ```python pip install scrapy scrapy-redis ``` 2. 创建一个 Scrapy 项目 ```python scrapy startproject douban_top250 ``` 3. 在 settings.py 中加入 scrapy-redis 的相关设置 ```python # 使用 scrapy-redis 的调度器 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 使用 scrapy-redis 的去重过滤器 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 允许暂停、恢复爬虫 SCHEDULER_PERSIST = True # 设置 redis 为 item pipeline ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 300 } # 设置 redis 服务器地址和端口号 REDIS_HOST = 'localhost' REDIS_PORT = 6379 ``` 4. 编写 spider ```python # coding:utf-8 import scrapy from scrapy import Request from scrapy_redis.spiders import RedisSpider class DoubanTop250Spider(RedisSpider): """爬取豆瓣电影 Top 250""" name = 'douban_top250' allowed_domains = ['movie.douban.com'] # 在 Redis 中设置起始爬取的 URL redis_key = 'douban:start_urls' def parse(self, response): # 获取电影列表 movie_list = response.css('.grid_view li') for movie in movie_list: # 获取电影名字和详情页 URL title = movie.css('.title::text').extract_first() detail_url = movie.css('.hd a::attr(href)').extract_first() yield Request(detail_url, callback=self.parse_detail, meta={'title': title}) # 获取下一页的链接 next_url = response.css('.next a::attr(href)').extract_first() if next_url: yield Request(next_url, callback=self.parse) def parse_detail(self, response): # 获取电影详情 title = response.meta['title'] score = response.css('.rating_num::text').extract_first() yield {'title': title, 'score': score} ``` 5. 运行 scrapy-redis 爬虫 首先要在终端中启动 redis 服务: ```python redis-server ``` 然后在一个终端中运行 scrapy-redis 爬虫: ```python scrapy runspider douban_top250.py ``` 在另一个终端中向 Redis 中添加起始 URL: ```python redis-cli lpush douban:start_urls https://movie.douban.com/top250 ``` 爬取结果会自动保存到 Redis 数据库中。你可以通过 redis-cli 或者其他 Redis 客户端查看结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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