猫眼电影票房爬取到MySQL中_Scrapy爬取猫眼电影并存入MongoDB数据库
之前入门了Scrapy,用Scrapy框架爬取了豆瓣电影TOP250,最近打算学习下scrapy-redis分布式爬虫,学习之前再重新温故下Scrapy,这个总结我缩写了很多内容,很多介绍可以看下我之前写的豆瓣movie
实战应用
打开CMD输入
scrapy startproject maoyan
C:.
│ scrapy.cfg
│
└─maoyan
│ items.py
│ middlewares.py
│ pipelines.py
│ settings.py
│ __init__.py
│
└─spiders
__init__.py
编辑 item.py
import scrapy
class MaoyanItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
movie_name = scrapy.Field()
movie_ename = scrapy.Field()
movie_type = scrapy.Field()
movie_publish = scrapy.Field()
movie_time = scrapy.Field()
movie_star = scrapy.Field()
movie_total_price = scrapy.Field()
pass
首先,引入Scrapy
接着,创建一个类,继承自scrapy.item,这个是用来储存要爬下来的数据的存放容器,类似orm的写法
我们要记录的是:电影的名字、电影的评分、电影的上映时间、电影类型、电影英文名
获取网页数据
网页数据使用Xpath来索取元素非常方便,附上W3SCHOOL xpath学习 接下来,我们定义一下url的爬取规则
[图片上传失败...(image-4f0d9a-1513867500981)]
[图片上传失败...(image-e05661-1513867500981)]
我们真正要抓取电影详情页的是这个链接 http://maoyan.com/films/1170264
好了,到这一步编辑spider
from scrapy.spiders import Rule, CrawlSpider
from scrapy.selector import Selector
from scrapy.linkextractors import LinkExtractor
from maoyan.items import MaoyanItem
class MaoyanmovieSpider(CrawlSpider):
name = 'my'
# allowed_domains = ['http://maoyan.com/']
start_urls = ['http://maoyan.com/films']
rules = (
Rule(LinkExtractor(allow=(r'http://maoyan.com/films\?offset=\d+'))),
Rule(LinkExtractor(allow=(r'http://maoyan.com/films/\d+')), callback='parse_item')
)
def parse_item(self, response):
# print(response.body)
sel = Selector(response)
movie_name = sel.xpath('/html/body/div[3]/div/div[2]/div[1]/h3/text()').extract()
movie_ename = sel.xpath('/html/body/div[3]/div/div[2]/div[1]/div/text()').extract()
movie_type = sel.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[1]/text()').extract()
movie_publish = sel.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[2]/text()').extract()
movie_time = sel.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[3]/text()').extract()
movie_star = sel.xpath('/html/body/div[3]/div/div[2]/div[3]/div[1]/div/span/span/text()').extract()
# movie_total_price = sel.xpath('/html/body/div[3]/div/div[2]/div[3]/div[2]/div/span[1]/text()').extract()
# movie_introd = sel.xpath('//*[@id="app"]/div/div[1]/div/div[2]/div[1]/div[1]/div[2]/span/text()').extract()
# print(movie_name)
# print(movie_ename)
# print(movie_type)
# print(movie_publish)
# print(movie_time)
# print(movie_star)
# print(movie_total_price)
item = MaoyanItem()
item['movie_name'] = movie_name
item['movie_ename'] = movie_ename
item['movie_type'] = movie_type
item['movie_publish'] = movie_publish
item['movie_time'] = movie_time
item['movie_star'] = movie_star
# item['movie_total_price'] = movie_total_price
# item['movie_introd'] = movie_introd
yield item
spider写完后我们要将数据存进MongoDB数据库内,编辑pipeline.py
import pymongo
from scrapy.conf import settings
from scrapy.exceptions import DropItem
from scrapy import log
class MongoDBPipeline(object):
def __init__(self):
client = pymongo.MongoClient(settings['MONGODB_SERVER'], settings['MONGODB_PORT'])
db = client[settings['MONGODB_DB']]
self.collection = db[settings['MONGODB_COLLECTION']]
def process_item(self, item, spider):
# item: (Item 对象) – 被爬取的item
# (Spider 对象) – 爬取该item的spider
# 去重,删除重复的数据
valid = True
for data in item:
if not data:
valid = False
raise DropItem('Missing %s of blogpost from %s' % (data, item['url']))
if valid:
movies = [{
'movie_name': item['movie_name'],
'movie_ename': item['movie_ename'],
'movie_type': item['movie_type'],
'movie_publish': item['movie_publish'],
'movie_time': item['movie_time'],
'movie_star': item['movie_star']
}]
# 插入数据库集合中
self.collection.insert(movies)
log.msg('Item wrote to MongoDB database %s/%s' % (settings['MONGODB_DB'], settings['MONGODB_COLLECTION']),
level=log.DEBUG, spider=spider)
return item
配置文件
打开setting.py
BOT_NAME = 'maoyan'
SPIDER_MODULES = ['maoyan.spiders']
NEWSPIDER_MODULE = 'maoyan.spiders'
ROBOTSTXT_OBEY = False
COOKIES_ENABLED = True
DOWNLOAD_DELAY = 3
LOG_LEVEL = 'DEBUG'
RANDOMIZE_DOWNLOAD_DELAY = True
# 关闭重定向
REDIRECT_ENABLED = False
# 返回302时,按正常返回对待,可以正常写入cookie
HTTPERROR_ALLOWED_CODES = [302,]
ITEM_PIPELINES = {
'maoyan.pipelines.MongoDBPipeline': 300,
}
MONGODB_SERVER = 'localhost'
MONGODB_PORT = 27017
MONGODB_DB = 'maoyan'
MONGODB_COLLECTION = 'movies'
好了,现在开启爬虫
scrapy crawl my
[图片上传失败...(image-1f54d8-1513867500981)]
写这个爬虫应该会遇到302重定向或者被网站发现是机器人操作,建议延长delay时间,不过爬取效率会非常低!!总共有23110页,每页有30条数据,总共693300条数据,就算不被ban掉,那得爬到猴年马月............................................................
不说了,赶紧学习分布式爬虫!!!!
[图片上传失败...(image-b399d9-1513867500981)]
欢迎访问博客Treehl的博客
完整代码GitHub
简书
最后放一个爬虫集合,是我最近学习Python写的,喜欢的亲!给个Star呗!!!
SpiderList
猫眼电影票房爬取到MySQL中_Scrapy爬取猫眼电影并存入MongoDB数据库相关推荐
- 电影票房爬取到MySQL中_爬取最热电影及票房统计
最近过五一小长假,带着老婆孩子出去玩了,偷了点小懒,又没有更新知乎.白天在外面玩,回来就想撸撸代码,撸代码也有瘾,成了生活中不可缺少的一部分.前几篇文章都是讲数据处理的,今天换个风格吧.写个简单的爬虫 ...
- python爬虫爬取虎扑湖人论坛专区帖子数据,并存入MongoDB数据库中
今天就带大家从头到尾一步一步带着大家爬取虎扑论坛帖子的数据,里面涉及到的一些知识,我会给出学习的连接,大家可以自行去学习查看. 前期准备 首先我们打开虎扑NBA论坛,我选择的是湖人专区(小湖迷一个). ...
- 猫眼电影票房爬取到MySQL中_爬取猫眼电影top100,request、beautifulsoup运用
这是第三篇爬虫实战,运用request请求,beautifulsoup解析,mysql储存. 如果你正在学习爬虫,本文是比较好的选择,建议在学习的时候打开猫眼电影top100进行标签的选择,具体分析步 ...
- 在线电影推荐网 Python+Django+Mysql 协同过滤推荐算法在电影网站中的运用 基于用户、物品的协同过滤推荐算法 开发在线电影推荐系统 电影网站推荐系统 人工智能、大数据、机器学习开发
在线电影推荐网 Python+Django+Mysql 协同过滤推荐算法在电影网站中的运用 基于用户.物品的协同过滤推荐算法 开发在线电影推荐系统 电影网站推荐系统 人工智能.大数据.机器学习开发 M ...
- python + selenium +chrome爬取qq空间好友说说并存入mongodb数据库
python + selenium +chrome爬取qq空间好友说说并存入mongodb数据库 准备阶段 在正式开始在前需要先准备好做爬虫的工具,本例使用chrome无头浏览器进行爬取工作,也可使用 ...
- python爬取好友qq空间_python + selenium +chrome爬取qq空间好友说说并存入mongodb数据库...
title: python + selenium +chrome爬取qq空间好友说说并存入mongodb数据库 准备阶段 在正式开始在前需要先准备好做爬虫的工具,本例使用chrome无头浏览器进行爬取 ...
- mysql schema 保存数据_在MySQL中,所有触发器的定义都保存在information_schema数据库下的()表中。_学小易找答案...
[单选题]如何将英制 的零件转为公制的零件 ( ). [判断题]连续选择边线创建倒角时,不能单独修改某一边线的倒角大小 [判断题]创建筋特征时截面必须是闭和的 [填空题]Hibernate 的会话接口 ...
- Kafka实战 - 06 Kafka消费者:从指定Topic拉取工单处置记录信息并存入MongoDB数据库
文章目录 1. 处置记录表 t_disposal_record 2. kafka 主题和消费者配置 3. 定义一个线程任务 KafkaTask 1. kafka Topic中的数据:KafkaDisp ...
- 猫眼电影票房爬取到MySQL中_爬虫之爬取猫眼电影专业版实时数据排行榜
猫眼电影专业版实时数据排行榜是个持续更新的用ajax写成的网站,一般而言,爬取它比较麻烦,需要使用ajax/js进行爬取,python中的requests库可以获取网站的ajax,再通过json库解析 ...
- 猫眼电影票房爬取到MySQL中_猫眼电影爬取(一):requests+正则,并将数据存储到mysql数据库...
前面讲了如何通过pymysql操作数据库,这次写一个爬虫来提取信息,并将数据存储到mysql数据库 1.爬取目标 爬取猫眼电影TOP100榜单 要提取的信息包括:电影排名.电影名称.上映时间.分数 2 ...
最新文章
- 计算机组原理ppt,计算机组原理第三章.ppt
- [转载]判断IE浏览器-世界上最短的代码
- 标签页如何用php静态显示,php使用标签替换的方式生成静态页面
- 微信生态中,「电商」如何借“运营工具”,抢占 4.5 亿流量红利?
- 实体类(VO,DO,DTO)的划分
- C语言给考场编号,求:用C设计考场的编排,生成准考证号基本要求:br/(1)用 爱问知识人...
- 洛谷P3402 【模板】可持久化并查集
- 说说大型高并发高负载网站的系统架构 (转)
- SQL Server 2008空间数据应用系列九:使用空间工具(Spatial Tools)导入ESRI格式地图数据...
- spss软件测试题题库,spss题库_Spss软件可以算试题的区分度吗怎么算_淘题吧
- java常量池在哪里_【Java基础】Java常量池在哪里? - 收获啦
- php是什么币种的外汇英文,外汇币种英文_我要最常用的10个外汇币种和英文简称!_合拍网...
- 党建管理系统开发,组织部干部人事任免平台建设方案
- DOM以及DOM事件的处理方式
- 深度学习方法(十五):知识蒸馏(Distilling the Knowledge in a Neural Network),在线蒸馏
- c语言kbhit函数头文件,c - 有没有办法替换标准C中的kbhit()和getch()函数? - 堆栈内存溢出...
- Linux中如何查看命令帮助手册
- Linux虚拟主机与Windows虚拟主机之间有什么区别
- 从事Web前端要学什么 常用前端开发技术有哪些
- 关于GPS坐标转换(一)