用python中scrapy爬取豆瓣top250的电影
时间: 2023-11-06 19:07:43 浏览: 121
Python scrapy爬取豆瓣电影top250
好的,下面是使用Scrapy爬取豆瓣Top250电影的步骤:
1. 创建新的Scrapy项目
在命令行中使用以下命令创建新的Scrapy项目:
```
scrapy startproject douban_top250
```
这将创建一个名为douban_top250的新Scrapy项目。
2. 创建Spider
在Scrapy项目中,Spider是用于定义如何爬取特定网站的类。在douban_top250项目中创建一个新的Spider,命名为douban_spider.py。
在douban_spider.py中,我们将定义如何爬取豆瓣Top250电影的网页。
```python
import scrapy
class DoubanSpider(scrapy.Spider):
name = "douban"
allowed_domains = ["douban.com"]
start_urls = ["https://movie.douban.com/top250"]
def parse(self, response):
pass
```
在上面的代码中,我们定义了一个名为DoubanSpider的Spider类。我们设置了Spider的名称为“douban”,并设置了豆瓣网站的域名为“douban.com”。
我们还定义了一个start_urls列表,其中包含我们要爬取的第一个网址。最后,我们定义了一个名为parse的方法,该方法将在Scrapy下载网页并准备解析后自动调用。
3. 解析网页
在parse方法中,我们将解析豆瓣Top250电影的网页。请注意,我们需要使用XPath或CSS选择器来提取我们需要的数据。
```python
import scrapy
class DoubanSpider(scrapy.Spider):
name = "douban"
allowed_domains = ["douban.com"]
start_urls = ["https://movie.douban.com/top250"]
def parse(self, response):
for movie in response.xpath('//div[@class="info"]'):
yield {
"title": movie.xpath('div[@class="hd"]/a/span[@class="title"]/text()').extract_first(),
"rating": movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract_first(),
"link": movie.xpath('div[@class="hd"]/a/@href').extract_first(),
}
```
在上面的代码中,我们使用XPath选择器来提取电影的标题、评分和链接。我们使用yield关键字将每个电影的数据作为字典返回。由于我们使用yield关键字而不是return关键字,这将使Scrapy在处理每个电影时暂停,而不是等待所有电影都被处理后再返回它们的数据。
4. 运行Spider
要运行Spider,请在命令行中转到Scrapy项目的根目录,并使用以下命令:
```
scrapy crawl douban -o douban.csv
```
这将运行名为“douban”的Spider,并将结果保存在名为“douban.csv”的CSV文件中。
这就是使用Scrapy爬取豆瓣Top250电影的简单步骤。
阅读全文