热爱生活，从电影开始

人和人刚认识的时候，虚伪又热情，新鲜又浪漫。即使生活再不好，也要爱自己，比如多看点电影，一起感悟下人生也是蛮好的，本次小编就来试着爬取了豆瓣电影Top 250来小试牛刀，快跟着小编一起探索吧，不喜勿喷哦~

1、创建Scrapy项目

创建一个新项目，用于爬取豆瓣电影排行榜

命令：

scrapy startproject DoubanMovies

截图：

创建完后使用Pycharm打开创建的新项目

2、创建Scrapy程序

使用命令创建一个scrapy程序，名字随你就好，毕竟只是一个程序名而已

命令：

scrapy genspider douban douban.com

截图：

3、配置数据库等信息

在settings.py里面设置你要保存的数据库信息

BOT_NAME = 'DoubanMovies'SPIDER_MODULES = ['DoubanMovies.spiders']
NEWSPIDER_MODULE = 'DoubanMovies.spiders'# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36 Edg/86.0.622.69'# Obey robots.txt rules
ROBOTSTXT_OBEY = True#HTTPERROR_ALLOWED_CODES = [400]#上面报的是403，就把403加入。# MONGODB地址
MONGODB_HOST = '127.0.0.1'
# 端口号，默认27017
MONGODB_PORT = 27017
# 设置数据库名称
MONGODB_DBNAME = 'Douban'
# 设置集合名称
MONGODB_COL = 'movies'
ITEM_PIPELINES = {'DoubanMovies.pipelines.DoubanmoviesPipeline': 300,
}

在pipelines.py里面设置数据管道，这里小编封装了一层，数据库和集合的名字可以在程序中传递过来

from pymongo import MongoClientfrom DoubanMovies import settingsclass DoubanmoviesPipeline:def __init__(self):# 获取setting中主机名，端口号和集合名host = settings.MONGODB_HOSTport = settings.MONGODB_PORT# dbname = settings.MONGODB_DBNAME# col = settings.MONGODB_COL# 创建一个mongo实例client = MongoClient(host=host, port=port)# 访问数据库# db = client[dbname]# 访问集合# self.col = db[col]# 访问数据连接器self.client = clientdef process_item(self, item, spider):data = dict(item)my_dbname = spider.dbname #自定义的数据库名--来自scrapy程序里面的dbnamemy_col = spider.col #自定义的集合名--来自scrapy程序里面的colself.client[my_dbname][my_col].insert(data)# self.col.insert(data)return item

然后打开目标网站：豆瓣电影 Top 250 (douban.com)，然后分析网站结构，比如需要爬取电影名字，排名，导演以及主演等信息

打开F12，对你想要爬取的元素，可以复制其对应的xpath路径，爬取数据的时候会用到

分析完目标网站后，在items.py里面定义想要爬取的字段

#用于保存电影数据的item
class DoubanMovieItem(scrapy.Item):movie_name = scrapy.Field()  # 电影名字rank = scrapy.Field()  # 电影排名actors = scrapy.Field() #导演以及主演year = scrapy.Field() #上映年份area = scrapy.Field() #地域type = scrapy.Field() #类型rating_num = scrapy.Field() #评分short_comment = scrapy.Field() #短评

4、编写爬取程序

上面的数据库配置以及item设置好之后，开始编写爬取程序，注意xpath路径的正确性，不然爬取不到目标数据

由于要爬取前250名的电影数据，比较笨的方法就是start_urls里面写多个要爬取的url，比如像小编这样写的简单明了

import scrapyfrom DoubanMovies.items import DoubanMovieItemclass DoubanSpider(scrapy.Spider):name = 'douban' #scrapy程序名allowed_domains = ['douban.com'] #允许的域名dbname = 'Douban'  # 数据库名字col = 'douban_movie250'  # 集合名字start_urls = ['https://movie.douban.com/top250','https://movie.douban.com/top250?start=25','https://movie.douban.com/top250?start=50','https://movie.douban.com/top250?start=75','https://movie.douban.com/top250?start=100','https://movie.douban.com/top250?start=125','https://movie.douban.com/top250?start=150','https://movie.douban.com/top250?start=175','https://movie.douban.com/top250?start=200','https://movie.douban.com/top250?start=225'] #需要爬取的网站url列表def parse(self, response):print(response)list = response.xpath('//*[@id="content"]/div/div[1]/ol/li') #xpath目标列表for li in list:# print(li)rank = li.xpath('div/div[1]/em/text()').extract()[0]movie_name = li.xpath('div/div[2]/div[1]/a/span[1]/text()').extract()[0]actors = li.xpath('div/div[2]/div[2]/p[1]/text()').extract()[0].strip()year = li.xpath('div/div[2]/div[2]/p[1]/text()').extract()[1].strip()rating_num = li.xpath('div/div[2]/div[2]/div/span[2]/text()').extract()[0].strip()if li.xpath('div/div[2]/div[2]/p[2]/span/text()').extract():short_comment = li.xpath('div/div[2]/div[2]/p[2]/span/text()').extract()[0].strip()else:short_comment = ''print(rank + ":" + movie_name + ":" + rating_num + ":" + short_comment)item = DoubanMovieItem()item['rank'] = int(rank) #排名item['movie_name'] = movie_name #电影名item['actors'] = actors #演职员item['year'] = year.split('/')[0] #上映年份item['area'] = year.split('/')[1] #上映地区item['type'] = year.split('/')[2] #电影类型item['rating_num'] = rating_num #豆瓣评分item['short_comment'] = short_comment #短评yield item #保存数据

5、开始爬取数据

程序写好了之后，就可以开始爬取数据了，当然过程中可能会有报错之类的，那就只能靠你自己修正了~

爬取命令：

scrapy crawl douban

爬取命令截图：

爬取过程截图：

爬取结果截图：

PS：以上便是简单的豆瓣电影Top 250的爬取过程了，相信热爱生活的你，能一直对生活充满好奇心，毕竟生活要有点期待，潇洒一点，开心最重要~

热爱生活，从电影开始相关推荐

“火车卧铺这么便宜，你为什么还买硬座？”贫穷的理由你想不到……
知乎上这个问题火了: "火车硬座和卧铺相差仅100元,为什么会有那么多人选择硬座?" 呵,这个"仅"字用得妙! 意思是,区区100块钱,为什么不选择更舒服的卧铺 ...
如何评价电影《西游记之大圣归来》？
一．在我上小学的年纪,最想要拥有的朋友有两个,一个是哆啦a梦,它的异次元口袋如果能让我用用,那该多好:另一个,就是孙悟空.他是那么强悍,十万天兵见了他都绕路走,更别说班主任和家长了. 按西游记的说法 ...
有哪些你看过五遍以上的电影？
作为一个热衷于看爱情电影的妹子,这8部爱情电影我看了五遍以上! 1. <他其实没那么喜欢你> 剧情简介: GiGi是个对爱情充满幻想的女孩,却在一次次约会中受挫.她的闺蜜Beth和J ...
《西线无战事》我们才刚开始热爱生活，却不得不对一切开炮
<西线无战事>我们才刚开始热爱生活,却不得不对一切开炮埃里希·玛丽亚·雷马克(1898-1970),德裔作家,出生于德国一个工人家庭,18岁时参加第一次世界大战,1929年出版小说< ...
近一年多看过的电影和书籍
本文由Markdown语法编辑器编辑完成. 1. 前言: 自从离开学校,进入职场后,感觉时间真的是非常宝贵.随着步入婚姻,结婚生子,属于自己的时间也更少了. 然而,一个人工作是为了更好的生活.如果只是 ...
没有广泛爱好的人，就不是热爱生活…
作者:曲玮玮几个月前和几人吃饭,等菜的间隙有人顺势挑起一个话题,谈各自工作之余的兴趣爱好.紧绷的毛线团突然被扯开线头,沉默的餐桌突然变成热闹的跑马场,烽烟尘土,蹄声阵阵. 当时的气氛是这样的-- 我 ...
机器学习实战教程（一）：K-近邻算法---电影类别分类
文章目录机器学习实战教程(一):K-近邻算法一.简单k-近邻算法 1.k-近邻法简介 2.距离度量 3.Python3代码实现 (1)准备数据集 (2)k-近邻算法机器学习实战教程(一):K-近 ...
牛叔说电影-励志四部曲之死亡诗社
视频地址:牛叔说电影-死亡诗社文案: 我步入丛林因为我希望生活得有意义. 我希望活得深刻汲取生命中所有的精华把非生命的一切都击溃以免当我生命终结时发现自己从来没有活过. 这是美国诗人惠特曼 ...
append从一个添加到另一_真特么激动第一个爬虫----爬取豆瓣电影top250
养成习惯,先赞后看!!! 前言之前一直对爬虫有兴趣,但是一直没有真正静下心来去好好学习过,这一段时间跟着b站上的一个教程做了自己人生中第一个爬虫程序,还是很有成就感的. 准备工作 1. 我们爬取一个 ...

热爱生活，从电影开始

热爱生活，从电影开始相关推荐

最新文章

热门文章