scrapy爬虫项目实战豆瓣

本篇文章将介绍如何使用Scrapy框架实现豆瓣电影的爬虫项目。

1. 创建Scrapy项目

首先，我们需要安装Scrapy框架。在命令行中输入以下命令：

pip install scrapy

安装完成后，我们可以使用以下命令创建一个Scrapy项目：

scrapy startproject douban

这个命令将创建一个名为“douban”的目录，其中包含了Scrapy项目的基本文件结构。

2. 定义Item

在Scrapy中，Item是我们要爬取的数据的容器。在这个项目中，我们需要定义一个Item来存储每部电影的信息。

在“douban”目录下创建一个名为“items.py”的文件，并在其中添加以下代码：

import scrapy

class DoubanItem(scrapy.Item):
    title = scrapy.Field()
    score = scrapy.Field()
    director = scrapy.Field()
    actors = scrapy.Field()
    release_date = scrapy.Field()

上述代码定义了一个名为“DoubanItem”的Item，包含了电影的标题、评分、导演、演员和上映日期等信息。每个字段都是一个Scrapy框架的Field对象。

3. 定义Spider

在Scrapy中，Spider是用来爬取网站的核心。在这个项目中，我们需要定义一个Spider来爬取豆瓣电影的信息。

在“douban”目录下创建一个名为“spiders”的文件夹，并在其中创建一个名为“douban_spider.py”的文件。在这个文件中，我们需要定义一个名为“DoubanSpider”的Spider类，代码如下：

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from douban.items import DoubanItem

class DoubanSpider(CrawlSpider):
    name = 'douban'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    rules = (
        Rule(LinkExtractor(allow=r'https://movie.douban.com/top250\?start=\d+'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = DoubanItem()
        for movie in response.xpath('//div[@class="info"]'):
            item['title'] = movie.xpath('div[@class="hd"]/a/span[@class="title"]/text()').extract_first()
            item['score'] = movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract_first()
            item['director'] = movie.xpath('div[@class="bd"]/p/text()').re_first(r'导演:\s+(.*)')
            item['actors'] = movie.xpath('div[@class="bd"]/p/text()').re_first(r'主演:\s+(.*)')
            item['release_date'] = movie.xpath('div[@class="bd"]/p/text()').re_first(r'(\d{4}-\d{2}-\d{2})\(.*\)')
            yield item

上述代码定义了一个名为“DoubanSpider”的Spider类。在这个Spider中，我们首先定义了爬取的起始URL和允许爬取的域名。

接着，我们使用了一个名为“rules”的元组来定义了爬取规则。在这个项目中，我们只需要爬取豆瓣电影Top250页面中的信息，因此我们使用了一个名为“LinkExtractor”的链接提取器，用来提取所有Top250页面的URL。并且我们将回调函数设置为“parse_item”，表示每个页面都会调用这个函数进行处理。

最后，我们定义了一个名为“parse_item”的回调函数，用来解析每个Top250页面中的电影信息。在这个函数中，我们首先创建了一个名为“DoubanItem”的Item对象，用来存储电影信息。

接着，我们使用XPath表达式来提取每个电影的标题、评分、导演、演员和上映日期等信息，并将这些信息存储到“DoubanItem”对象中。

最后，我们使用“yield”语句将这个Item对象传递给Scrapy框架，表示这个Item对象已经被处理完成。

4. 运行爬虫

在“douban”目录下，在命令行中输入以下命令来运行爬虫：

scrapy crawl douban

运行完成后，爬虫会自动爬取豆瓣电影Top250页面中的信息，并将这些信息存储到名为“douban.csv”的文件中。

至此，我们已经成功地使用Scrapy框架实现了豆瓣电影的爬虫项目。