robots是网站跟爬虫间的协议，robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。
学习者需要预先掌握Python的数字类型、字符串类型、分支、循环、函数、列表类型、字典类型、文件和第三方库使用等概念和编程方法。
Python入门篇：https://www.cnblogs.com/wenwei-blog/p/10592541.html
a. 发送请求
使用http库向目标站点发起请求，即发送一个Request，Request包含：请求头、请求体等。
Request模块缺陷：不能执行JS 和CSS 代码。
b. 获取响应内容
如果requests的内容存在于目标服务器上，那么服务器会返回请求内容。
Response包含：html、Json字符串、图片，视频等。
c. 解析内容
对用户而言，就是寻找自己需要的信息。对于Python爬虫而言，就是利用正则表达式或者其他库提取目标信息。
解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以wb的方式写入文件
d. 保存数据
解析得到的数据可以多种形式，如文本，音频，视频保存在本地。
数据库（MySQL，Mongdb、Redis）
文件
Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库。
安装：
Win平台：以“管理员身份运行cmd”，执行 pip install requests
测试：
带可选参数的请求方式：
requests.request(method,url,**kwargs)
method:请求方式，对应get/put/post等7种
url：获取页面的url链接
**kwargs：控制访问的参数，均为可选项，共以下13个
params：字典或字节系列，作为参数增加到url中
>>> kv = {'key1':'value1','key2':'value2'} >>> r = requests.request('GET','http://python123.io/ws',params=kv) >>> print(r.url) https://python123.io/ws?key1=value1&key2=value2
data：字典、字节系列或文件对象，作为requests的内容
>>> kv = {'key1':'value1','key2':'value2'} >>> r = requests.request('POST','http://python123.io/ws',data=kv) >>> body = '主题内容' >>> r = requests.request('POST','http:///python123.io/ws',data=body)
json：JSON格式的数据，作为equests的内容
>>> kv = {'key1':'value1','key2':'value2'} >>> r = requests.request('POST','http://python123.io/ws',json=kv)
headers：字典，HTTP定制头
>>> hd = {'user-agent':'Chrome/10'} >>> r = requests.request('POST','http://www.baidu.com',headers=hd)
cookies：字典或cookieJar，Request中的cookie
files：字典类型，传输文件
>>> f = {'file':open('/root/po.sh','rb')} >>> r = requests.request('POST','http://python123.io/ws',file=f)
timeout:设置超时时间，秒为单位。
>>> r = requests.request('GET','http://python123.io/ws',timeout=30)
proxies:字典类型，设置访问代理服务器，可以增加登录验证。
>>> pxs = {'http':'http://user:pass@10.10.10.2:1234', ... 'https':'https://10.10.10.3:1234'} >>> r = requests.request('GET','http://www.baidu.com',proxies=pxs)
allow_redirects:True/False,默认为True，重定向开关
stream：True/False,默认为True，获取内容立即下载开关
verify：rue/False,默认为True，认证SSL证书开关
Cert：本地SSL证书路径
auth：元组类型，支持HTTP认证功能
Response对象包含服务器返回的所有信息，也包含请求的Request信息
注意：编码为ISO-8859-1不支持编译中文，需要设置 r = encoding="utf-8"
Requests库支持常见的6种连接异常
注意：网络连接有风险。异常处理很重要。raise_for_status()如果不等于200则产生异常requests.HTTPError。
import requests def getHTMLText(url): try: r = requests.get(url,timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "产生异常" if __name__ == "__main__": url = "http://www.baidu.com" print(getHTMLText(url))
网络爬虫的尺寸：
a. 网络爬虫的“性能”骚扰
web默认接受人类访问，由于网络爬虫的频繁访问会给服务器带来巨大的额资源开销。
b. 网络爬虫的法律风险
服务器上的数据有产权归属，网络爬虫获取数据牟利将带来法律风险
c. 网络爬虫的隐私泄露
网络爬虫可能具备突破简单控制访问的能力，获取被保护的数据从而泄露个人隐私。
a. 来源审查：判断User-Agent进行限制
检查来访HTTP协议头的user-agent域，只响应浏览器或友好爬虫的访问
b. 发布公告：Robots协议
告知所有爬虫网站的爬取策略，要求遵守Robots协议
京东的Robots协议：
https://www.jd.com/robots.txt
对robots协议的理解
自动或人工识别roboes.txt,z再进行内容爬取。
robots协议是建议但非约束性，网络爬虫可以补遵守，但存在法律风险。
原则：人类行为可以补参考robots协议，比如正常阅览网站，或者较少爬取网站频率。
目标页面地址：https://item.jd.com/5089267.html
实例代码：
import requests url = 'https://item.jd.com/5089267.html' try: r = requests.get(url) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except: print("爬取失败")
结果：
目标页面地址：http://product.dangdang.com/26487763.html
代码：
import requests url = 'http://product.dangdang.com/26487763.html' try: r = requests.get(url) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except IOError as e: print(str(e))
出现报错：
HTTPConnectionPool(host='127.0.0.1', port=80): Max retries exceeded with url: /26487763.html (Caused by NewConnectionError('<urllib3.connection.HTTPConnection object at 0x10fc390>: Failed to establish a new connection: [Errno 111] Connection refused',))
报错原因：当当网拒绝不合理的浏览器访问。
查看初识的http请求头：
print(r.request.headers)
代码改进：构造合理的HTTP请求头
import requests url = 'http://product.dangdang.com/26487763.html' try: kv = {'user-agent':'Mozilla/5.0'} r = requests.get(url,headers=kv) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except IOError as e: print(str(e))
结果正常爬取：
百度关键词接口：http://www.baidu.com/s?wd=keyword
代码实现：
import requests keyword = "python" try: kv = {'wd':keyword} r = requests.get("http://www.baidu.com/s",params=kv) print(r.request.url) r.raise_for_status() print(len(r.text)) except IOError as e: print(str(e))
执行结果：
360关键词接口：
http://www.so.com/s?q=keyword
import requests keyword = "Linux" try: kv = {'q':keyword} r = requests.get("http://www.so.com/s",params=kv) print(r.request.url) r.raise_for_status() print(len(r.text)) except IOError as e: print(str(e))
网络图片链接的格式：
http://FQDN/picture.jpg
校花网：http://www.xiaohuar.com
选择一个图片地址：http://www.xiaohuar.com/d/file/20141116030511162.jpg
实现代码：
import requests import os url = "http://www.xiaohuar.com/d/file/20141116030511162.jpg" dir = "D://pics//" path = dir + url.split('/')[-1] #设置图片保存路径并以原图名名字命名 try: if not os.path.exists(dir): os.mkdir(dir) if not os.path.exists(path): r = requests.get(url) with open(path,'wb') as f: f.write(r.content) f.close() print("文件保存成功") else: print("文件已存在") except IOError as e: print(str(e))
查看图片已经存在：
5.5 ip地址归属地查询
ip地址归属地查询网站接口：http://www.ip138.com/ips138.asp?ip=
import requests url = "http://www.ip38.com/ip.php?ip=" try: r = requests.get(url+'104.193.88.77') r.raise_for_status() r.encoding = r.apparent_encoding print(r.text) except IOError as e: print(str(e))
打开有道翻译，在开发者模式依次单击“Network”按钮和“XHR”按钮，找到翻译数据：
import requests import json def get_translate_date(word=None): url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule" #post参数需要放在请求实体里，构建一个新字典 form_data = {'i': word, 'from': 'AUTO', 'to': 'AUTO', 'smartresult': 'dict', 'client': 'fanyideskweb', 'salt': '15569272902260', 'sign': 'b2781ea3e179798436b2afb674ebd223', 'ts': '1556927290226', 'bv': '94d71a52069585850d26a662e1bcef22', 'doctype': 'json', 'version': '2.1', 'keyfrom': 'fanyi.web', 'action': 'FY_BY_REALTlME' } #请求表单数据 response = requests.post(url,data=form_data) #将JSON格式字符串转字典 content = json.loads(response.text) #打印翻译后的数据 print(content['translateResult'][0][0]['tgt']) if __name__ == '__main__': word = input("请输入你要翻译的文字：") get_translate_date(word)
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析“标签树”等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
目前,Beautiful Soup的最新版本是4.x版本，之前的版本已经停止开发，这里推荐使用pip来安装，安装命令如下：
pip install beautifulsoup4
验证安装：
from bs4 import BeautifulSoup
soup = BeautifulSoup('
Hello
print(soup.p.string)
执行结果如下：
注意：这里虽然安装的是beautifulsoup4这个包，但是引入的时候却是bs4，因为这个包源代码本身的库文件名称就是bs4，所以安装完成后，这个库文件就被移入到本机Python3的lib库里，识别到的库文件就叫作bs4。
因此，包本身的名称和我们使用时导入包名称并不一定是一致的。
如果使用lxml,在初始化BeautifulSoup时，把第二个参数改为lxml即可：
from bs4 import BeautifulSoup soup = BeautifulSoup('<p>Hello</p>','lxml') print(soup.p.string)
BeautifulSoup类的基本元素
实例展示BeautifulSoup的基本用法：
>>> from bs4 import BeautifulSoup >>> import requests >>> r = requests.get("http://python123.io/ws/demo.html") >>> demo = r.text >>> demo '<html><head><title>This is a python demo page</title></head>\r\n<body>\r\n<p class="title"><b>The demo python introduces several python courses.</b></p>\r\n<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>\r\n</body></html>' >>> soup = BeautifulSoup(demo,"html.parser") >>> soup.title #获取标题 <title>This is a python demo page</title> >>> soup.a #获取a标签 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> >>> soup.title.string 'This is a python demo page' >>> soup.prettify() #输出html标准格式内容 '<html>\n <head>\n <title>\n This is a python demo page\n </title>\n </head>\n <body>\n <p class="title">\n <b>\n The demo python introduces several python courses.\n </b>\n </p>\n <p class="course">\n Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\n <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">\n Basic Python\n </a>\n and\n <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">\n Advanced Python\n </a>\n .\n </p>\n </body>\n</html>' >>> soup.a.name #每个<tag>都有自己的名字，通过<tag>.name获取 'a' >>> soup.p.name 'p' >>> tag = soup.a >>> tag.attrs {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'} >>> tag.attrs['class'] ['py1'] >>> tag.attrs['href'] 'http://www.icourse163.org/course/BIT-268001' >>> type(tag.attrs) <class 'dict'> >>> type(tag) <class 'bs4.element.Tag'> >>>
标签树的下行遍历
标签树的上行遍历：遍历所有先辈节点，包括soup本身
标签树的平行遍历：同一个父节点的各节点间
实例演示：
from bs4 import BeautifulSoup import requests demo = requests.get("http://python123.io/ws/demo.html").text soup = BeautifulSoup(demo,"html.parser") #标签树的上行遍历 print("遍历儿子节点：\n") for child in soup.body.children: print(child) print("遍历子孙节点：\n") for child1 in soup.body.descendants: print(child1) print(soup.title.parent) print(soup.html.parent) for parent in soup.a.parents: if parent is None: print(parent) else: print(parent.name) #标签树的平行遍历 print(soup.a.next_sibling) print(soup.a.next_sibling.next_sibling) print(soup.a.previous_sibling)
正则表达式是处理字符串的强大工具，它有自己特定的语法结构，实现字符串的检索、替换、匹配验证都可以。对于爬虫来说，
从HTML里提取想要的信息非常方便。python的re库提供了整个正则表达式的实现
这里介绍一个正则表达式测试工具http://tool.oschina.net/regex，输入待匹配的文本，然选择常用的正则表达式，得到相应的匹配结果，
适合新手入门。这里输入：
hello,my phone is 18898566588 and email is david@gmail.com, and wen is https://www.cnblogs.com/wenwei-blog/
点击“匹配Email地址”，即可匹配出网址。
'.' 匹配所有字符串，除\n以外
‘-’ 表示范围[0-9]
'' 匹配前面的子表达式零次或多次。要匹配 字符，请使用 \*。
'+' 匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 \+
'^' 匹配字符串开头
‘$’ 匹配字符串结尾 re
'\' 转义字符， 使后一个字符改变原来的意思，如果字符串中有字符需要匹配，可以\或者字符集[] re.findall(r'3\','3ds')结['3']
'' 匹配前面的字符0次或多次 re.findall("ab","cabc3abcbbac")结果：['ab', 'ab', 'a']
‘?’ 匹配前一个字符串0次或1次 re.findall('ab?','abcabcabcadf')结果['ab', 'ab', 'ab', 'a']
'{m}' 匹配前一个字符m次 re.findall('cb{1}','bchbchcbfbcbb')结果['cb', 'cb']
'{n,m}' 匹配前一个字符n到m次 re.findall('cb{2,3}','bchbchcbfbcbb')结果['cbb']
'\d' 匹配数字，等于[0-9] re.findall('\d','电话:10086')结果['1', '0', '0', '8', '6']
'\D' 匹配非数字，等于[^0-9] re.findall('\D','电话:10086')结果['电', '话', ':']
'\w' 匹配字母和数字，等于[A-Za-z0-9] re.findall('\w','alex123,./;;;')结果['a', 'l', 'e', 'x', '1', '2', '3']
'\W' 匹配非英文字母和数字,等于[^A-Za-z0-9] re.findall('\W','alex123,./;;;')结果[',', '.', '/', ';', ';', ';']
'\s' 匹配空白字符 re.findall('\s','3*ds \t\n')结果[' ', '\t', '\n']
'\S' 匹配非空白字符 re.findall('\s','3ds \t\n')结果['3', '', 'd', 's']
'\A' 匹配字符串开头
'\Z' 匹配字符串结尾
\t 匹配衣蛾制表符
'\b' 匹配单词的词首和词尾，单词被定义为一个字母数字序列，因此词尾是用空白符或非字母数字符来表示的
'\B' 与\b相反，只在当前位置不在单词边界时匹配
'(?P...)' 分组，除了原有编号外在指定一个额外的别名 re.search("(?P[0-9]{4})(?P[0-9]{2})(?P[0-9]{8})","371481199306143242").groupdict("city") 结果{'province': '3714', 'city': '81', 'birthday': '19930614'}
[] 是定义匹配的字符范围。比如 [a-zA-Z0-9] 表示相应位置的字符要匹配英文字符和数字。[\s]表示空格或者号。
常用的re函数：
[^...] 不在[]中的字符，比如[^abc]匹配除了a、b、c之外的字符。
. 具有贪婪的性质，首先匹配到不能匹配为止，根据后面的正则表达式，会进行回溯。 .？ 满足条件的情况只匹配一次，即懒惰匹配。
函数参数说明：
pattern:匹配的正则表达式
string：要匹配的字符串
flags：标记为，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。
repl：替换的字符串，也可作为一个函数
count：模式匹配后替换的最大次数，默认0表示替换所有匹配
例子1：
#!/usr/bin/python3 import re #替换 phone = '18898537584 #这是我的电话号码' print('我的电话号码:',re.sub('#.*','',phone)) #去掉注释 print(re.sub('\D','',phone)) #search ip_addr = re.search('(\d{3}\.){1,3}\d{1,3}\.\d{1,3}',os.popen('ifconfig').read()) print(ip_addr) #match >>> a = re.match('\d+','2ewrer666dad3123df45') >>> print(a.group()) 2
获取匹配的函数：
re模块中分组的作用？
（1）判断是否匹配（2）灵活提取匹配到各个分组的值。
>>> import re >>> print(re.search(r'(\d+)-([a-z])','34324-dfsdfs777-hhh').group(0)) #返回整体 34324-d >>> print(re.search(r'(\d+)-([a-z])','34324-dfsdfs777-hhh').group(1)) #返回第一组 34324 >>> print(re.search(r'(\d+)-([a-z])','34324-dfsdfs777-hhh').group(2)) #获取第二组 d >>> print(re.search(r'(\d+)-([a-z])','34324-dfsdfs777-hhh').group(3)) #不存在。报错“no such group” Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group
compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象。语法格式： re.compile(pattern[, flags]) 参数： pattern : 一个字符串形式的正则表达式 flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为： re.I 忽略大小写 re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境 re.M 多行模式 re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符） re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库 re.X 为了增加可读性，忽略空格和 # 后面的注释 常用的是re.I和re.S
>>> import re >>> pattern = re.compile('\d+',re.S) #用于匹配至少一个数字 >>> res = re.findall(pattern,"my phone is 18898566588") >>> print(res) ['18898566588']
利用requests库和正则表达式来抓取猫眼电影TOP100的相关内容。requests比urllib使用更加方便。
抓取目标
提取猫眼电影TOP的电影名称、时间、评分 、图片等信息。提取的站点URL为https://maoyan.com/board/4
提取结果已文件形式保存下来。
URL提取分析
打开站点https://maoyan.com/board/4，直接点击第二页和第三页，观察URL的内容产生的变化。
第二页：https://maoyan.com/board/4?offset=10
第三页：https://maoyan.com/board/4?offset=20
总结出规律，唯一变化的是offset=x，如果想获取top100电影，只需分开请求10次，offset参数分别设置为0、10、20...90即可。
源码分析和正则提取
打开网页按F12查看页面源码，可以看到，一部电影信息对应的源代码是一个dd节点，首先需要提取排名信息，排名信息在class为board- index的i节点内，这里使用懒惰匹配提取i节点内的信息，正则表达式为：
注意：这里不要在Element选项卡中直接查看源码，因为那里的源码可能经过JavaScript操作而与原始请求不通，而是需要从NetWork选项卡部分查看原始请求得到的源码。
代码整合
import json import requests from requests.exceptions import RequestException #引入异常 import re import time def get_one_page(url): try: response = requests.get(url) if response.status_code == 200: #由状态码判断返回结果 return response.text #返回网页内容 return None except RequestException: return None def parse_one_page(html): pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a' + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>' + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S) #compile函数表示一个方法对象，re.s匹配多行 items = re.findall(pattern, html) #以列表形式返回全部能匹配的字符串。 for item in items: #将结果以字典形式返回键值对 yield { #把这个方法变成一个生成器 'index': item[0], 'image': item[1], 'title': item[2], 'actor': item[3].strip()[3:], 'time': item[4].strip()[5:], 'score': item[5] + item[6] #将评分整数和小数结合起来 } def write_to_file(content): with open('result.txt', 'a', encoding='utf-8') as f: #将结果写入文件 f.write(json.dumps(content, ensure_ascii=False) + '\n') def main(offset): url = 'http://maoyan.com/board/4?offset=' + str(offset) html = get_one_page(url) for item in parse_one_page(html): print(item) write_to_file(item) if __name__ == '__main__': for i in range(10): main(offset=i * 10) time.sleep(1)
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件：
引擎(Scrapy) 用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler) 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader) 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares) 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares) 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares) 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下：
scrapy常用命令
scrapy startproject <爬虫名称> 创建爬虫名称（唯一）
scrapy genspider<爬虫项目名称> 创建爬虫项目名称
scrapy list 列出所有爬虫名称
scrapy crawl <爬虫名称> 运行爬虫
爬取目标：电影排名、电影名称、电影评分、电影评论数
创建爬虫项目和爬虫
scrapy startproject DoubanMovieTop
cd DoubanMovieTop
scrapy genspider douban
修改默认“user-agent”和reboots为True
修改settings.py文件以下参数：
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36' ROBOTSTXT_OBEY = False
Item使用简单的class定义语法以及Field对象来声明。
写入下列代码声明Item
import scrapy class DoubanmovietopItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() #排名 ranking = scrapy.Field() #电影名称 movie_name = scrapy.Field() #评分 score = scrapy.Field() #评论人数 score_num = scrapy.Field()
分析网页源码抓取所需信息
# -*- coding: utf-8 -*- import scrapy from DoubanMovieTop.items import DoubanmovietopItem class DoubanSpider(scrapy.Spider): name = 'douban' #allowed_domains = ['movie.douban.com'] def start_requests(self): start_urls = 'https://movie.douban.com/top250' yield scrapy.Request(start_urls) def parse(self, response): item = DoubanmovietopItem() movies = response.xpath('//ol[@class="grid_view"]/li') for movie in movies: item['ranking'] = movie.xpath('.//div[@class="pic"]/em/text()').extract()[0] item['movie_name'] = movie.xpath('.//div[@class="hd"]/a/span[1]/text()').extract()[0] item['score'] = movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').extract()[0] item['score_num'] = movie.xpath('.//div[@class="star"]/span/text()').re(r'(\d+)人评价')[0] #Selector也有一种.re() yield item next_url = response.xpath('//span[@class="next"]/a/@href').extract() if next_url: next_url = 'https://movie.douban.com/top250' + next_url[0] yield scrapy.Request(next_url)
运行爬虫写入文件中
scrapy crawl douban -o douban.csv
使用wps打开excel表格查看抓取结果
有关python网络爬虫基础篇内容介绍到这里，python更多内容的学习请参考编程字典python教程 ，感谢大家对编程字典的支持。
原文链接：https://www.cnblogs.com/wenwei-blog/p/10435602.html
