自己写表单录入电影信息比较费劲，所以选择爬取豆瓣电影的信息主要爬取电影的封面、主演、年份、产地、简介等信息。前端有个输入框,输入电影名然后去爬取电影信息录入到MongoDB中
-
分析
打开豆瓣电影，搜索�千与千寻
通过分析，发现
搜索后的列表是通过
https://movie.douban.com/subject_search?search_text=%E5%8D%83%E4%B8%8E%E5%8D%83%E5%AF%BB&cat=1002这个请求获取的要搜的电影一般都是列表的第一条，有时搜出来的第一条是明星的信息
需要的电影有一个url，指向这条电影的详情，而我们想要的信息就在详情接口里
PS(比较有意思的是最开始我爬取的时候，想要的信息就在这个接口的响应中，从响应里面提取出来就行，但后来我发现响应里没有了，豆瓣电影里的搜索后的列表信息变成了js动态渲染出来的，所有的信息在响应的window_data中存放，所以又把代码修改了下，使用phantom来�渲染爬取到的页面)
所有大体逻辑就是通过接口A获取一个电影列表，从列表中提取出我们需要的电影�详情的url B,爬取B接口,获取详情，从详情中提取信息
-
工具
- phantom 通过plantom渲染爬取的页面，页面中的js代码也会相应的执行
- cheerio 服务端的一个实现jquery功能的库，可以方便的获取响应中的html中我们要的信息
-
爬取
项目接口 /api/reptile/:name
代码
var express = require('express');
var router = express.Router();
const CONFIG = require('../config/config')
const cheerio = require('cheerio')
const rq = require('request-promise')
var phantom = require("phantom");
<!--获取电影列表-->
function getMovieSubjectUrl(name) {
var _ph, _page, _outObj;
return phantom.create().then(ph => {
_ph = ph;
return _ph.createPage();
}).then(page => {
_page = page;
return _page.open('https://movie.douban.com/subject_search?search_text=' + encodeURIComponent(name));
}).then(status => {
return _page.property('content')
}).then(content => {
_page.close();
_ph.exit();
return content
}).catch(e => console.log(e));
}
function getMovieDetail(href, res, next) {
rq(href).then(str => {
const $ = cheerio.load(str)
const data = fillData($)
res.json({
code: CONFIG.ERR_OK,
data
})
})
}
<!--提取电影信息-->
function fillData($) {
const movie = {
thumb: '',
actors: '',
type: '',
time: '',
instruct: ''
}
/**
* 为方便提取数据,换行标签替换
*/
let info_html = $('#info').html().replace(/<br>/g, '**')
let txt = cheerio.load(info_html).text()
txt = txt.replace(/\s+/g, '').split('**')
movie.thumb = $('#mainpic img').attr('src')
movie.instruct = $('#link-report').find('span[property]').text()
movie.actors = txt[2].split(':')[1].split('/')
movie.type = txt[3].split(':')[1].split('/')
movie.time = txt[6].split(':')[1]
return movie
}
router.get('/:name', function (req, res, next) {
getMovieSubjectUrl(req.params.name).then(str => {
const $ = cheerio.load(str)
let detail = $('.detail')
if (detail.length) {
let a
if (detail.eq(0).has('.rating_nums').length) {
a = detail.eq(0).find('.title a')
} else {
a = detail.eq(1).find('.title a')
}
getMovieDetail(a.attr('href'), res, next)
} else {
next(10001)
}
});
})
module.exports = router;
-
前端
reptile.jsx
import React from 'react';
import {
Button,
Switch
} from "antd-mobile"
import cloneDeep from "lodash/cloneDeep"
import Util from "../util/Util.js"
import MovieInfo from "./movieInfo"
import DownForm from "./download-form"
export default class Reptile extends React.Component {
constructor(props) {
super(props)
this.state = {
m_name: '',
m_info: null,
}
this.reptile = this.reptile.bind(this)
}
/**
* 爬取数据
*/
reptile() {
if (!this.state.m_name) {
return
}
Util.fetch('/api/reptile/' + this.state.m_name).then(data => {
if (data.code) {
Util.Toast.info(data.message)
return
}
this.setState({
m_info: data.data,
})
})
}
render() {
return (
<div className='reptile'>
<div className='search-form'>
<input type="text" placeholder='电影名' value={this.state.m_name} onChange={(e) => {
this.setState({
m_name: e.target.value
})
}} />
<Button type="primary" size="small" onClick={this.reptile}>搜索</Button>
</div>
</div>
)
}
}
