Scrapy10行代码爬取 2W+ 电影天堂电影

前言

scrapy，俗称「西瓜皮」，它 的强大相信大家已早有耳闻，之前用的时候只是感觉它爬取效率高，内部的异步封装很友好。殊不知我看到的知识冰山一角，它还有很多提高开发效率的功能，今天就以一个实例带大家窥探一二。

工具环境

阅读此文可能需要对scrapy框架有基本的了解，对xpath解析有一个基本的了解

爬取思路

爬取站点：dytt8.net/

这样的站点我一眼望过去就想给站长打Q币，为什么啊？这站点简直是为爬虫而生啊？你看，一点花里胡哨的东西都没有，我们小眼一瞅便知，和我们不相关的就只是游戏部分的资源。我们需要如果要进入爬取更多的页面就只需要点击导航页

当我点开这些导航页，我都要惊喜的哭了，你们谁也别拦我，我要给站长打钱，对爬虫简直太友好了，我们其实只需要跟踪带有index页面的链接，然后深入下去爬取内页即可

当我们到达内页，再看下哪里可以深入，这里其实也很简单，翻到最底下发现，只需要继续跟踪下一页链接即可

新建项目文件

scrapy startproject www_dytt8_net 得到一个如下结构的文件目录 ????

创建crawl模板样式的爬虫demo

先命令行进入到spiders目录下

1cd www_dytt8_net/www_dytt8_net/spiders

然后创建爬虫模板

1scrapy genspider -t crawl dytt8 www.dytt8.net

得到如下文件 ????

配置跟踪页面规则

爬取思路中，我们已经介绍过了，只需要跟踪首页链接中，带有index的页面，进入到内页后，我们继续跟踪下一页即可遍历所有电影页面。简单了，我们配置一下rule，让爬爬开启追踪模式，黑喂狗→

1Rule(LinkExtractor(deny=r'.*game.*', allow='.*/index\.html'))r'.*game.*', allow='.*/index\.html'))

这里的LinkExtractor的作用可以提取一些链接，通过对象提供的参数，方便我们进行追踪和过滤不需要的链接。如这里的deny表示我们不需要其中包含game字段的链接，而allow表示我们允许index的链接

其实内部还支持很多别的提取规则，小伙伴们可以去官方文档看看，全是爬虫的大杀器：

https://scrapy.readthedocs.io/en/latest/topics/link-extractors.html#module-scrapy.linkextractors.lxmlhtml

导航页点击进去的下一页

1Rule(LinkExtractor(restrict_xpaths=u'//a[text()="下一页"]'))u'//a[text()="下一页"]'))

简直良心啊有木有？这要是平时，我们得写好几个代码段呐。这里就真的只需要一行，restrict_xpaths 支持xpath语法，提取标签页为下一页的所有a标签内的链接，这里其实我过滤掉了callback参数，表示这个页面跟踪后，交给谁处理下一步，还有一个参数是follow 可以设为True 或 False 表示接下来要不要对这个页面进行进一步的追踪

提取文章页链接，交由解析函数处理

1Rule(LinkExtractor(allow=r'.*/\d+/\d+\.html', deny=r".*game.*"), callback='parse_item', follow=True)r'.*/\d+/\d+\.html', deny=r".*game.*"), callback='parse_item', follow=True)

我们将页面中有这种形式的页面提取出来{数字}/{数字}.html 的页面提取出来其实就是详情文章页面，注意这里需要过滤掉是游戏的页面，所有增加拒绝跟踪链接的规则deny=r".*game.*"，最后将提取到的链接回调给parse_item处理

提取所需关键信息

在items.py内定义我们需要提取的字段

1import scrapyclass WwwDytt8NetItem(scrapy.Item):2    # define the fields for your item here like:3    # name = scrapy.Field()4    title = scrapy.Field()5    publish_time = scrapy.Field()6    images = scrapy.Field()7    download_links = scrapy.Field()8    contents = scrapy.Field()import scrapyclass WwwDytt8NetItem(scrapy.Item):
2    # define the fields for your item here like:
3    # name = scrapy.Field()
4    title = scrapy.Field()
5    publish_time = scrapy.Field()
6    images = scrapy.Field()
7    download_links = scrapy.Field()
8    contents = scrapy.Field()

接着将spiders/dytt8.py中的回调函数中的提取规则写出来

1def parse_item(self, response):2    item = WwwDytt8NetItem()3    item['title'] = response.xpath('//div[@class="title_all"]/h1/font/text()').extract_first()4    item['publish_time'] = response.xpath('//div[@class="co_content8"]/ul/text()').extract_first().strip().replace('发布时间：', '')5    imgs_xpath = response.xpath('//div[@id="Zoom"]//img')6    item['images'] = [i.xpath('./@src').extract_first() for i in imgs_xpath if i.xpath('./@src')]7    item['download_links'] = re.compile('<a href="(ftp://.*?)">').findall(response.text)8    item['contents'] = [i.strip().replace('\n', '').replace('\r', '') for i in response.xpath('string(//div[@id="Zoom"])').extract()]9    yield item def parse_item(self, response):
2    item = WwwDytt8NetItem()
3    item['title'] = response.xpath('//div[@class="title_all"]/h1/font/text()').extract_first()
4    item['publish_time'] = response.xpath('//div[@class="co_content8"]/ul/text()').extract_first().strip().replace('发布时间：', '')
5    imgs_xpath = response.xpath('//div[@id="Zoom"]//img')
6    item['images'] = [i.xpath('./@src').extract_first() for i in imgs_xpath if i.xpath('./@src')]
7    item['download_links'] = re.compile('<a href="(ftp://.*?)">').findall(response.text)
8    item['contents'] = [i.strip().replace('\n', '').replace('\r', '') for i in response.xpath('string(//div[@id="Zoom"])').extract()]
9    yield item 

启动脚本看下运行状态

1scrapy crawl dytt8scrapy crawl dytt8

感受爬爬的力量吧????

数据库存储

这里介绍一下scrapy-mongodb，也是超级好用，省去了自己链接和配置的麻烦，没有下载的童鞋，可以pip安装下

我们只需要settings.py中，配置如下中间键

1ITEM_PIPELINES = {2   # 'www_dytt8_net.pipelines.WwwDytt8NetPipeline': 300,3   'scrapy_mongodb.MongoDBPipeline': 300,4}
2   # 'www_dytt8_net.pipelines.WwwDytt8NetPipeline': 300,
3   'scrapy_mongodb.MongoDBPipeline': 300,
4}

然后写入mongodb配置即可

1MONGODB_URI = 'mongodb://localhost:27017'2MONGODB_DATABASE = 'spider_world'3MONGODB_COLLECTION = 'dytt8''mongodb://localhost:27017'
2MONGODB_DATABASE = 'spider_world'
3MONGODB_COLLECTION = 'dytt8'

来，咱们状态全开run一波，最后得到2W+部片子种子链接。

至此，我们便可以看到满满的电影种子链接，以后有什么想看的电影，自己直接在库里找找看，是不是很棒啊真正核心代码其实不到十行。以后不是很复杂的爬虫，还是用 Scrapy 吧。