项目需求：爬取https://www.4567tv.tv/frim/index1.html网站前三页的电影名称和电影的导演名称

项目分析：电影名称在初次发的url返回的response中可以获取，可以通过对url进行字符串拼接的方式动态获取前三页的url，但是导演名称必须点击具体电影的链接地址才可以得到，所以第一次url返回的response中一定包含电影详情的链接，通过数据解析的方式获取电影详情链接，再次对电影的详情链接发起请求，得到相关的导演数据

爬虫文件起名为movie.py

import scrapy from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider): name = 'movie' # allowed_domains = ['www.xxx.com'] start_urls = ['https://www.4567tv.tv/frim/index1.html']

page = 1 page_url = "https://www.4567tv.tv/frim/index1-%s.html" #解析详情页中的数据 def parse_detail(self,response): #response.meta返回接收到的meta字典 item = response.meta['item'] actor = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[3]/a/text()').extract_first() item['actor'] = actor

yield item #总结：两个地方会用到item #第一用yield 返回item #第二用yield手动发起Requets请求或者是FormRequests请求

def parse(self, response): li_list = response.xpath('//li[@class="col-md-6 col-sm-4 col-xs-3"]') for li in li_list: item = MovieproItem() #实例化item对象 name = li.xpath('./div/a/@title').extract_first() detail_url = 'https://www.4567tv.tv'+li.xpath('./div/a/@href').extract_first() item['name'] = name #meta参数:请求传参.meta字典就会传递给回调函数的response参数 #在解析过程中产生新的url，需要对新的url再次发起请求时，yield 手动调用scrapy.Request方法对象， yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item})

#获取前三页的数据 if self.page <= 3: self.page += 1 new_page_url = self.page_url % self.page

yield scrapy.Request(url=new_page_url,callback=self.parse)

import scrapy

class MovieproItem(scrapy.Item): # define the fields for your item here like: name = scrapy.Field() actor = scrapy.Field()

items.py

持久化存储可根据具体需求去做

转载于:https://www.cnblogs.com/fengchong/p/10473402.html