本文共 5657 字,大约阅读时间需要 18 分钟。
1、先在settings.py把配置配好
# 关闭ROBOTS协议ROBOTSTXT_OBEY = False# 设置log 日志等级LOG_LEVEL = 'WARNING'# 开启管道ITEM_PIPELINES = { 'mini_resource_scrapy.pipelines.MiniResourceScrapyPipeline': 300,}# 设置USER_AGENT 这个直接打开浏览器,F12控制台随便找个请求,请求头信息里面有USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
2、在items.py文件中定义数据模型,把要爬的字段在这里定义,我这里贴代码给大家参考
import scrapyclass MiniResourceScrapyItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() _id = scrapy.Field() # 数据id add_date = scrapy.Field() # 视频添加的时间 title = scrapy.Field() # 标题 director = scrapy.Field() # 导演 stars = scrapy.Field() # 主演,这里我存数组 type = scrapy.Field() # 电影类型 这里我存数组 area = scrapy.Field() # 电影地区 year = scrapy.Field() # 电影年份 describe = scrapy.Field() #电影描述 source = scrapy.Field() # 视频来源,(这里我都写目前爬取的网站地址) video_url = scrapy.Field() # 视频播放url地址 cover_img = scrapy.Field() # 视频封面url 地址 score = scrapy.Field() # 电影评分 (我爬的网站没有拿到评分信息,后面都给初始值 0 ) play_count = scrapy.Field() # 视频播放次数 (给初始值 0) is_show = scrapy.Field() # 前端是否展示 is_new = scrapy.Field() # 是否是最新
3、配置管道pipelines.py, 用于把爬取来的数据存起来,存文件活着数据库这里随你,这里我直接存文件
import codecs,json# 用codecs提供的open方法来指定打开的文件的语言编码,它会在读 取的时候自动转换为内部unicode class MiniResourceScrapyPipeline(object): def __init__(self): self.file = codecs.open('movie.json', 'w', encoding='utf-8') # 在open_spider 方法中打开文件也可以,爬虫启动的时候,文件之打开一次,爬虫结束的时候关闭文件 # def open_spider(self, spider): # pass # 在文件里面存入json 数据 def process_item(self, item, spider): lines = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(lines) return item # 爬虫结束,关闭文件 def spider_closed(self, spider): self.file.close()
4、正式开始我们的爬虫代码 爬的是 这个视频网站,大家也可以用别的网站爬,xpath要写正确啊,逻辑都一样
import scrapyfrom ..items import MiniResourceScrapyItemimport reclass Mv80Spider(scrapy.Spider): name = 'mv80' total_page = 4 # 这边我只爬取3页数据 page_index = 1 # 从第一页开始 origin = 'https://www.80mv.cc' id_compile = re.compile(r'80detail_(\d+).html') r_compile = re.compile(r'https:(.+)/index.m3u8', re.I) # allowed_domains = ['www.80mv.cc'] start_urls = ['https://www.80mv.cc/80show_dianying--------{}---.html'] # 设置爬取的开始url地址 def start_requests(self): for i in range(self.page_index, self.total_page): yield scrapy.Request(url=self.start_urls[0].format(i)) def parse(self, response): lis = response.xpath('//ul[contains(@class,"stui-vodlist clearfix")]/li') for tag in lis: page_url = tag.xpath('.//a[@class="stui-vodlist__thumb lazyload"]/@href').extract_first() _id = self.id_compile.search(page_url).groups()[0] # 电影标题 title = tag.xpath('.//a[@class="stui-vodlist__thumb lazyload"]/@title').extract_first() # 电影封面图 cover_img = tag.xpath('.//a[@class="stui-vodlist__thumb lazyload"]/@data-original').extract_first() # 电影详情内页地址 detail_url = tag.xpath('.//a[@class="stui-vodlist__thumb lazyload"]/@href').extract_first() # print(title, cover_img) # 实例化数据模型 把数据存入 item = MiniResourceScrapyItem() item['title'] = title item['cover_img'] = cover_img item['_id'] = _id # 进入详情页继续爬取详情信息 yield scrapy.Request( url='{}{}'.format(self.origin, detail_url), callback=self.video_detail, meta={'item': item}) # 视频详情页 def video_detail(self, response): item = response.meta['item'] des = response.xpath('//div[@class="stui-content__detail"]') stars = des.xpath('./p[1]//a//text()').extract() director = des.xpath('./p[2]/a/text()').extract_first() describe = des.xpath('./p[5]/span[2]/text()').extract_first() m_type = des.xpath('string(./p[3]/span[contains(text(), "类型")]/following-sibling::text())')\ .extract_first().strip().split(',') area = des.xpath('string(./p[3]/span[contains(text(), "地区")]/following-sibling::text())')\ .extract_first().strip() year = des.xpath('string(./p[3]/span[contains(text(), "年份")]/following-sibling::text())')\ .extract_first().strip() add_date = des.xpath('string(./p[4]/span[contains(text(), "时间")]/following-sibling::text())') \ .extract_first().strip() video_page_url = response.xpath('//ul[@class="stui-content__playlist clearfix"]/li/a/@href').extract_first() video_page_url = '{}{}'.format(self.origin, video_page_url) item['stars'] = stars item['type'] = m_type # 类型 item['area'] = area # 区域 item['year'] = year # 年代 item['director'] = director # 导演 item['describe'] = describe # 描述 item['score'] = 0 # 没有电影评分,给个初始值 item['play_count'] = 0 # 点击次数 给个初始值 item['is_show'] = True # 是否展示 item['is_new'] = True if year == '2021' else False # 是否是最新 item['add_date'] = add_date item['source'] = '80S影院' yield scrapy.Request(url=video_page_url, callback=self.video_play_page, meta={'item': item}) # 视频播放页 def video_play_page(self, response): item = response.meta['item'] script_str = response.xpath('//div[@class="stui-player__video clearfix"]/script[1]/text()').extract_first() g_url = self.r_compile.search(script_str) video_url = g_url.group().replace('\\', '') item['video_url'] = video_url print(item) yield item
5、这是我爬的数据
代码结束,文字很少,全是代码,如果有不明白的地方可以留言,大家相互学习讨论
!!!!!!下面是我自己的小程序,请大家多多扫码打开给点支持吧!!!!
转载地址:http://wqsmf.baihongyu.com/