Python 爬虫学习笔记(十(3))scrapy 不同页面数据的爬取

425次阅读
没有评论

我们有时需要爬取的数据并不在同一页上,不能简单的请求一个url然后解析网页。以dytt网站为例,例如我们想要“国内电影”里所有电影的名字,和点进去它的图片(在另一个网页中)。如何把这两个数据定义为同一个item对象呢?
Python

Python

一、创建scrapy项目

在PyCharm终端依次输入:

  • scrapy startproject dytt_movie
  • cd dytt_movie\dytt_movie
  • scrapy genspider movie + 网址
  • 注:genspider后面的网址不需要带http://和url最后的斜线,.html的网页末尾一定不要有‘/’ 最后测试一下这个url有没有robots协议或者反爬手段等.


    二、items.py中定义数据的结构

    我们需要的一个是电影的名字,一个是电影图片url

    class DyttMovieItem(scrapy.Item): name = scrapy.Field() src = scrapy.Field()


    三、定位、爬取数据

    分析网页源代码,如下标签中包含着我们需要的电影名字,以及其图片所在的另一个网页的url。我们需要获取这两个信息
    Python

    用xpath解析找到我们需要的信息,注意图片所在的url需要拼接

    def parse(self, response): a_list = response.xpath('//div[@class="co_content8"]//td[2]//a[2]')

    for a in a_list: name = a.xpath('./text()').extract_first() url = '自己输入域名' + a.xpath('./@href').extract_first()


    四、对第二页的链接发起访问

    我们以及获取到url,接下来就要访问这个图片的url,从而才能提取出图片的地址。

  • 这里我们用到了yield关键字
  • 还有scrapy.Request()即GET请求
  • 还要自己写一个parse_second作为回调函数(每获取到一个url,对其发起一个GET请求)
  • 一定记得将allowed_domains范围扩大为域名 否则无法访问第二页
  • def parse(self, response): a_list = response.xpath('//div[@class="co_content8"]//td[2]//a[2]')

    for a in a_list: name = a.xpath('./text()').extract_first() url = '自己输入域名' + a.xpath('./@href').extract_first()

    yield scrapy.Request(url=url, callback=self.parse_second)

    def parse_second(self, response): print('999999999999')

    之后是对图片地址的解析(具体过程略)

    def parse_second(self, response): src = response.xpath('//div[@id="Zoom"]//img/@src').extract_first() print(src)

    但还有一个问题,我们需要将图片的src和电影的名字对应好,一并获取,这时就需要meta参数。

  • 设置meta参数,传递需要的参数
  • 在parse_second中可以response.meta[‘name’]来获取
  • 在第二个parse函数中,创建movie对象
  • 返回给管道
  • def parse(self, response): a_list = response.xpath('//div[@class="co_content8"]//td[2]//a[2]')

    for a in a_list: name = a.xpath('./text()').extract_first() url = '自己输入域名' + a.xpath('./@href').extract_first()

    yield scrapy.Request(url=url, callback=self.parse_second, meta={'name': name})

    def parse_second(self, response): src = response.xpath('//div[@id="Zoom"]//img/@src').extract_first() name = response.meta['name']

    movie = DyttMovieItem(name=name, src=src) yield movie


    五、保存数据到管道

    先开启管道,再在管道中下载数据

    class DyttMoviePipeline:

    def open_spider(self, spider): self.f = open('movie.json', 'w', encoding='utf-8')

    def process_item(self, item, spider): self.f.write(str(item)) return item

    def close_spider(self, spider): self.f.close()


    六、所有代码

    movie.py

    import scrapy from dytt_movie.items import DyttMovieItem

    class MovieSpider(scrapy.Spider): name = 'movie' allowed_domains = ['自己输入域名'] start_urls = ['国内电影的url']

    def parse(self, response): a_list = response.xpath('//div[@class="co_content8"]//td[2]//a[2]')

    for a in a_list: name = a.xpath('./text()').extract_first() url = '自己输入域名' + a.xpath('./@href').extract_first()

    yield scrapy.Request(url=url, callback=self.parse_second, meta={'name': name})

    def parse_second(self, response): src = response.xpath('//div[@id="Zoom"]//img/@src').extract_first() name = response.meta['name']

    movie = DyttMovieItem(name=name, src=src) yield movie

    items.py

    import scrapy

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

    pipelines.py

    class DyttMoviePipeline:

    def open_spider(self, spider): self.f = open('movie.json', 'w', encoding='utf-8')

    def process_item(self, item, spider): self.f.write(str(item)) return item

    def close_spider(self, spider): self.f.close()


    总结

    最关键的是上面的,其他步骤都是套路。

  • 分页获取数据需要用yield来调用自定义的第二个parse函数
  • 当涉及到两个网页时,数据一定要用meta去传
  • meta参数接收一个字典类型,可以用get拿到数据
  • 要检查xpath语句,例如span等标签可能爬不到,尽量避开
  • 神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

    相关文章:

    版权声明:Python教程2022-10-25发表,共计3474字。
    新手QQ群:570568346,欢迎进群讨论 Python51学习