文章目录

需求：
总结：
代码：
- movieinfo.py
- items.py
- middleware.py
- pipelines.py
结果：
附加：
crawlspider可以改进：

需求：

scrapy框架，爬取某电影网页面的每个电影的一级页面的名字
https://www.55xia.com/
爬取每部电影二级页面的详细信息
使用代理ip
保存日志文件
存为csv文件

总结：

1、xpath解析使用extract()的各种情况分析
https://blog.csdn.net/nzjdsds/article/details/77278400

2、xpath用法注意的点：

div[not(contains(@class,"col-xs-12"))]

class属性不包括"col-xs-12"的div标签
https://blog.csdn.net/caorya/article/details/81839928?utm_source=blogxgwz1

3、二次解析时，用meta参数字典格式传递第一次解析的参数值。

 # meta 传递第二次解析函数yield scrapy.Request(url=url, callback=self.parse_detail, meta={'item': item})

4、存为csv文件：

import csv
csv.writer
writerow

https://blog.csdn.net/qq_40243365/article/details/83003161

5、空行加参数newline='',

self.f=open('./movie.csv','w',newline='', encoding='utf-8')

6、伪装UA，保存日志，编码格式
settings里设置

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.75 Safari/537.36'
FEED_EXPORT_ENCODING = 'utf-8-sig'
LOG_LEVEL = 'ERROR'
LOG_FILE = 'log.txt'
ROBOTSTXT_OBEY = False

7、代理ip中间件

class MyMiddleware(object):def process_request(self, request, spider):request.meta['proxy'] = 'https://157.230.150.101:8080'

settings设置：

DOWNLOADER_MIDDLEWARES = {'movie.middlewares.MyMiddleware': 543,
}

代码：

movieinfo.py

import scrapy
from movie.items import MovieItemclass MovieinfoSpider(scrapy.Spider):name = 'movieinfo'# allowed_domains = ['www.movie.com']start_urls = ['https://www.55xia.com/movie']page = 1base_url = 'https://www.55xia.com/movie/?page={}'# 解析二级子页面def parse_detail(self, response):# 导演可能不止一人，不用extract_first（），拼接成字符串directors = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[1]/td[2]//a/text()').extract()directors = " ".join(directors)movieType = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[4]/td[2]/a/text()').extract_first()area = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[5]/td[2]//text()').extract_first()time = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[7]/td[2]//text()').extract_first()score = response.xpath('/html/body/div[1]/div/div/div[1]/div[1]/div[2]/table/tbody/tr[9]/td[2]//a/text()').extract_first()# 取出meta的itemitem = response.meta['item']print('二级子页面:', item['name'])item['directors'] = directorsitem['movieType'] = movieTypeitem['area'] = areaitem['time'] = timeitem['score'] = scoreyield itemdef parse(self, response):"""获取超链接导演，编剧，主演，类型，地区，语言，上映时间，别名，评分:param response::return:"""div_list = response.xpath('/html/body/div[1]/div[1]/div[2]/div[not(contains(@class,"col-xs-12"))]')for div in div_list:name = div.xpath('./div/div/h1/a/text()').extract_first()print('已找到:',name)url = div.xpath('.//div[@class="meta"]/h1/a/@href').extract_first()url = "https:" + url# 实例化item对象并存储item = MovieItem()item['name'] = name# meta 传递第二次解析函数yield scrapy.Request(url=url, callback=self.parse_detail, meta={'item': item})# 完成每页之后开始下一页if self.page < 3:self.page += 1new_url=self.base_url.format(self.page)yield scrapy.Request(url=new_url, callback=self.parse)

items.py

import scrapyclass MovieItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()name = scrapy.Field()directors = scrapy.Field()movieType = scrapy.Field()area = scrapy.Field()time = scrapy.Field()score = scrapy.Field()

middleware.py


class MyMiddleware(object):def process_request(self, request, spider):request.meta['proxy'] = 'https://157.230.150.101:8080'

pipelines.py

import csvclass MoviePipeline(object):def open_spider(self, spider):print('开始存储')self.f=open('./movie.csv','w',newline='', encoding='utf-8')self.writer= csv.writer(self.f)self.writer.writerow(['name','directors','movieType','area','time','score'])def process_item(self, item, spider):print('正在写入')self.writer.writerow([item['name'],item['directors'],item['movieType'],item['area'],item['time'],item['score']])return itemdef close_spider(self, spider):self.f.close()print('保存完成')

结果：

附加：

Excel和CSV格式文件的不同之处
https://blog.csdn.net/weixin_39198406/article/details/78705016

crawlspider可以改进：

crawlspider更加高效，直接写个正则，可以提取页面符合规则的所有url，直接解析。

创建工程scrapy startproject 工程名
cd 该文件夹
创建爬虫文件 scrapy genspider -t crawl 爬虫文件名网址
主要是rule比较牛

  rules = (Rule(LinkExtractor(allow=r'/movie/\?page=\d+'), callback='parse_item', follow=False),)

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Ruleclass TtSpider(CrawlSpider):name = 'tt'# allowed_domains = ['www.baidu.com']start_urls = ['https://www.55xia.com/movie']rules = (Rule(LinkExtractor(allow=r'/movie/\?page=\d+'), callback='parse_item', follow=False),)'''LinkExtractor(allow=r'Items/') 实例化一个链接提取器的对象，根据allow的正则表达式来提取指定内容。Rule（）实例化一个规则解析器对象，对Link提取的链接发起请求，获取链接对应的页面内容，交给callback解析follow 表示是否在提取到的url链接页面再次以相同规则提取，scrapy 最后会去重# follow=True 所有的页面数据。'''def parse_item(self, response):# i = {}#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()#i['name'] = response.xpath('//div[@id="name"]').extract()#i['description'] = response.xpath('//div[@id="description"]').extract()# return i'''print(response)打印的是提取器提取到的链接，但是可以直接response.xpath解析链接指向的页面！:param response::return:'''title=response.xpath('/html/body/div[1]/div[1]/div[2]/div[1]/div/div/h1/a/text()').extract_first()print(title)

爬虫——scrapy框架爬取多个页面电影的二级子页面的详细信息相关推荐

Python爬虫 scrapy框架爬取某招聘网存入mongodb解析
这篇文章主要介绍了Python爬虫 scrapy框架爬取某招聘网存入mongodb解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下创建项目 sc ...
python爬虫scrapy框架爬取网页数据_Scrapy-Python
scrapy Scrapy:Python的爬虫框架实例Demo 抓取:汽车之家.瓜子.链家等数据信息版本+环境库 Python2.7 + Scrapy1.12 初窥Scrapy Scrapy是一 ...
爬虫scrapy框架爬取一药网
cmd 命令创建项目 scrapy startproject yiyaowang cd yiyaowang scrapy genspider yaowang yaowang.com 先进入settin ...
python爬虫scrapy框架爬取糗妹妹段子首页
声明:本文仅为学习爬虫,请勿商业和恶意攻击网站,本文所有解释权归作者. 本文分别用两种方法把获取的段子信息存储到了本地,分别是txt文件和json文件, txt文件比较简单,生成字典后用命令直接执行即 ...
python爬虫库scrapy_使用Python爬虫Scrapy框架爬取数据
时隔数月,国庆期间想做个假期旅游的分析展示. 1.通过Python爬取旅游网站上数据,并存储到数据库 2.通过Echart/FineReport/Superset等数据分析工具对数据展示环境: Wi ...
Python爬虫 scrapy框架爬取智联招聘，并把数据存入数据库，存为json格式的数据
First:创建项目:执行下面三句命令: 1. scrapy startproject zhilianzhaopin2. cd zhilianzhaopin3.scrapy genspider zhi ...
爬虫 scrapy框架爬取360图片
创建项目三步 scrapy startproject image360 cd image360 scrapy genspider image 首先还是先把服从机器人协议改成False settings ...
03_使用scrapy框架爬取豆瓣电影TOP250
前言: 本次项目是使用scrapy框架,爬取豆瓣电影TOP250的相关信息.其中涉及到代理IP,随机UA代理,最后将得到的数据保存到mongoDB中.本次爬取的内容实则不难.主要是熟悉scrapy相关 ...
实现Scrapy框架爬取酷狗音乐Top100名，并存储为TXT，JSON，CSV和Excel格式数据
前言实现Scrapy框架爬取网页数据(酷狗音乐Top100名,包括排名信息.歌手信息.歌曲名.歌曲时长) 一.创建项目在cmd中输入: scrapy startproject kugouScrap ...

爬虫——scrapy框架爬取多个页面电影的二级子页面的详细信息