Scrapy爬虫实战项目【001】 - 抓取猫眼电影TOP100

爬取猫眼电影TOP100

参考来源:静觅丨崔庆才的个人博客 https://cuiqingcai.com/5534.html

目的:使用Scrapy爬取猫眼电影TOP100并保存至MONGODB数据库

目标网址:http://maoyan.com/board/4?offset=0

分析/知识点:

  1. 爬取难度:
    a. 入门级,网页结构简单,静态HTML,少量JS,不涉及AJAX;
    b. 处理分页需要用到正则;

  2. MONGODB的update语句使用:
    a. update语句:具备查重/插入新数据功能,以title为查重标准

def process_item(self, item, spider):
    self.db['movies'].update({'title': item['title']}, {'$set': item}, upsert=True) #注意upsert=True,更新并插入
    return item

实际步骤:

  1. 创建Scrapy项目/maoyan(spider)
Terminal: > scrapy startproject maoyan_movie
Terminal: > scrapy genspider maoyan maoyan.com/board/4?offset=   
  1. 配置settings.py文件
# MONGODB配置
MONGO_URI = 'localhost'
MONGO_DB = 'maoyan_movie'
...

# 启用MongoPipeline
ITEM_PIPELINES = {
   'maoyan_movie.pipelines.MongoPipeline': 300,
}
  1. 编写items.py文件
from scrapy import Item, Field

class MovieItem(Item):
    title = Field()     #电影标题
    actors = Field()    #演员
    releasetime = Field()   #上映时间
    cover_img = Field()     #缩略图
    detail_page = Field()   #电影详情页url
    score = Field()         #电影评分
  1. 编写pipelines.py文件
    根据Scrapy官方文档修改:https://doc.scrapy.org/en/latest/topics/item-pipeline.html?highlight=mongo
import pymongo

class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def close_spider(self, spider):
        self.client.close()

    # !! 更新MONGODB,使用UPDATE方法,查重功能(以title字段进行判断)
    def process_item(self, item, spider):
        self.db['movies'].update({'title': item['title']}, {'$set': item}, upsert=True)
        return item

  1. 编写spiders > maoyan.py文件
    注意:
    a) 使用scrapy的css selector进行节点解析;
    b) 获取电影缩略图url时,注意需要根据网页源代码写css选择器,和审查元素中看到的不同;
item['cover_img'] = movie.css('a.image-link img.board-img::attr(data-src)').extract_first()

c) 获取下一页节点时,直接使用xpath或css难以直接获得,需要使用正则匹配;

next = response.xpath('.').re_first(r'href="(.*?)">下一页</a>')

d) 完整代码如下:

from scrapy import Spider, Request
from maoyan_movie.items import MovieItem

class MaoyanSpider(Spider):
    name = 'maoyan'
    allowed_domains = ['maoyan.com/board/4?offset=']
    start_urls = ['http://maoyan.com/board/4?offset=']

    # 每部电影详情页的基本前缀url
    base_url = 'http://maoyan.com'

    # 下一页前缀url
    next_base_url = 'http://maoyan.com/board/4'

    def parse(self, response):
        if response:
            # 获取每页所有电影的节点
            movies = response.css('dl.board-wrapper dd')  # 获取所有电影相关节点,切记!!不能加上extract()
            item = MovieItem()
            for movie in movies:
                item['title'] = movie.css('p.name a::text').extract_first()
                item['actors'] = movie.css('p.star::text').extract_first().strip()
                item['releasetime'] = movie.css('p.releasetime::text').extract_first().strip()
                item['score'] = movie.css('i.integer::text').extract_first() + movie.css(
                    'i.fraction::text').extract_first()
                item['detail_page'] = self.base_url + movie.css('p.name a::attr(href)').extract_first()
                item['cover_img'] = movie.css(
                    'a.image-link img.board-img::attr(data-src)').extract_first()  # 注意:需要根据网页源码写css选择器,和审查元素中的不同,估计是受JS影响
                yield item

            # 处理下一页
            next = response.xpath('.').re_first(r'href="(.*?)">下一页</a>')
            if next:
                next_url = self.next_base_url + next
                yield Request(url=next_url, callback=self.parse, dont_filter=True)
  1. 运行结果
    temp.png

小结

  1. 入门级项目,熟悉了Scrapy的基本使用流程;
  2. Scrapy的css/xpath选择器、正则写法需要进一步熟悉;
  3. pymongo的update语句,需要进一步熟练掌握。
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,590评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 86,808评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,151评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,779评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,773评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,656评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,022评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,678评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 41,038评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,659评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,756评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,411评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,005评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,973评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,053评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,495评论 2 343

推荐阅读更多精彩内容