0
0

『scrapy爬虫』03. 爬取多个页面（详细注释步骤）

目录

欢迎关注 『scrapy爬虫』 专栏，持续更新中
欢迎关注 『scrapy爬虫』 专栏，持续更新中

1. 分析网页试着拿到多个页面的url

看到了一个个a标签对应的几页的页码url
在这里插入图片描述
这是1页到3页,因为是top250,总共10页.每一页就是25个,也对应着url中的参数0,25,50````````

https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=25&filter=

我们的douban.py

import scrapy
from scrapy import Selector

from myscrapy.items import MovieItem

classDoubanSpider(scrapy.Spider):
    name ="douban"
    allowed_domains =["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls =["https://movie.douban.com/top250"]# 起始urldefparse(self, response):
        myselector=Selector(text=response.text)# 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")for list_item in list_items:
            movie_item=MovieItem()#新建类的对象# 电影标题的 Selector# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# 电影评分# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# # 电影影评# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。yield movie_item#把整理得到的数据给管道# 单个页面selector# content > div > div.article > div.paginator > a:nth-child(3)# ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        hrefs_list=myselector.css('div.paginator > a::attr(href)')for href in hrefs_list:
            url=response.urljoin(href.extract())print(url)

cmd运行,可以看到获取了url

scrapy crawl douban

在这里插入图片描述

2. 抓取250个电影

这里要用到scrapy中的request库,注意不是我们之前的requests这一个s的区别很大,不要导错包了.

我们之前不是定义过一个

MovieItem

类吗?这个

request

是scrapy内部定义好的,我们在这里传入的url都会和我们前面的

start_urls = ["https://movie.douban.com/top250"] # 起始url

一样用于爬虫.

import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem

classDoubanSpider(scrapy.Spider):
    name ="douban"
    allowed_domains =["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls =["https://movie.douban.com/top250"]# 起始urldefparse(self, response):
        myselector=Selector(text=response.text)# 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")for list_item in list_items:
            movie_item=MovieItem()#新建类的对象# 电影标题的 Selector# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# 电影评分# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# # 电影影评# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。yield movie_item#把整理得到的数据给管道# 单个页面selector# content > div > div.article > div.paginator > a:nth-child(3)# ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        hrefs_list=myselector.css('div.paginator > a::attr(href)')for href in hrefs_list:
            url=response.urljoin(href.extract())# print(url)# 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据yield Request(url=url)#注意这个Request是来自scrapy的.   from scrapy import Selector,Request

cmd运行

scrapy crawl douban  -o douban250.csv

在这里插入图片描述

3. start_requests的使用

修复一个bug(为什么250条数据变多了)?
我们的起始页面

start_urls = ["https://movie.douban.com/top250"] # 起始url

但是我们知道,页面的规则,因为是第一页比较特殊,省略了参数0,实际上第一页的url应该是

https://movie.douban.com/top250?start=0&filter=

,这导致我们重复2次爬取了第一页的数据,出现了2次

肖申克的救赎

在这里插入图片描述
解决方案1,直接修改起始页面

start_urls =["https://movie.douban.com/top250"]# 起始url
改为
start_urls =["https://movie.douban.com/top250?start=0&filter="]# 起始url

优雅方案2,start_requests一开始就设置要解析的url,不爬取页面url,告诉爬虫要爬的页面有哪些

import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem

classDoubanSpider(scrapy.Spider):
    name ="douban"
    allowed_domains =["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls =["https://movie.douban.com/top250"]# 起始urldefstart_requests(self):for page inrange(10):#10页yield Request(url=f'https://movie.douban.com/top250?start={page*25}&filter=')defparse(self, response):
        myselector=Selector(text=response.text)# 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")for list_item in list_items:
            movie_item=MovieItem()#新建类的对象# 电影标题的 Selector# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# 电影评分# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# # 电影影评# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。yield movie_item#把整理得到的数据给管道# # 单个页面selector# # content > div > div.article > div.paginator > a:nth-child(3)# # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。# hrefs_list=myselector.css('div.paginator > a::attr(href)')# for href in hrefs_list:#     url=response.urljoin(href.extract())#     # print(url)#     # 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据#     yield Request(url=url) #注意这个Request是来自scrapy的.   from scrapy import Selector,Request

cmd运行

scrapy crawl douban  -o douban250_true.csv

在这里插入图片描述

4. 代码规范

导库的优化

在优化 Python 代码的导入语句时，通常会按照一定的规则和顺序进行排序和分组。这些规则和顺序有助于提高代码的可读性和维护性。以下是一般情况下推荐的导入规则和顺序：

  • 标准库导入：首先导入Python标准库中的模块，每个导入语句占一行。
python
import os
import sys
  • 第三方库导入：接着导入第三方库或框架的模块，每个导入语句占一行。
python
import requests
import pandas as pd

本地应用/模块导入：最后导入项目中的自定义模块或应用程序模块。

python
from myapp import utils
from myapp.models import User
  • 空行分隔：在不同类型的导入之间加入空行，以提高可读性。
  • 按字母顺序排序：可以按照字母顺序对每个导入组进行排序，或者使用工具自动排序。
  • 避免通配符导入：尽量避免使用 from module import * 的方式，应该明确导入需要的内容。
  • 别名处理：合理使用别名来简化长模块名，但不要过度缩写或使用难以理解的别名。用一些约定俗成的别名.
import pandas as pd

可以使用pycharm的快捷整理你的导包书写规范
在这里插入图片描述

关于重写

可以看到警告.
在这里插入图片描述

Signature of method 'DoubanSpider.parse()' does notmatch signature of the base method inclass'Spider'

这是因为我们的

parse

继承的

DoubanSpider

类的scrapy.Spider,我们按住ctrl点击

scrapy.Spider

前往观察这个被重写的方法,从图中可以看到这几个def都是重写这个spide的方法
在这里插入图片描述

classDoubanSpider(scrapy.Spider):defparse(self, response):

可以看到被重写的方法原型
在这里插入图片描述
统一格式

改为下面代码即可消除警告
defparse(self,response,**kwargs):

最终修改后的代码

import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem

classDoubanSpider(scrapy.Spider):
    name ="douban"
    allowed_domains =["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls =["https://movie.douban.com/top250"]# 起始urldefstart_requests(self):for page inrange(10):#10页yield Request(url=f'https://movie.douban.com/top250?start={page*25}&filter=')defparse(self,response,**kwargs):
        myselector=Selector(text=response.text)# 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")for list_item in list_items:
            movie_item=MovieItem()#新建类的对象# 电影标题的 Selector# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# 电影评分# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。# # 电影影评# content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()# extract_first()从选择器中提取第一个匹配的数据。yield movie_item#把整理得到的数据给管道# # 单个页面selector# # content > div > div.article > div.paginator > a:nth-child(3)# # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。# hrefs_list=myselector.css('div.paginator > a::attr(href)')# for href in hrefs_list:#     url=response.urljoin(href.extract())#     # print(url)#     # 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据#     yield Request(url=url) #注意这个Request是来自scrapy的.   from scrapy import Selector,Request

总结

大家喜欢的话，给个👍，点个关注！给大家分享更多计算机专业学生的求学之路！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2024 mzh

Crated：2024-3-1

欢迎关注 『scrapy爬虫』 专栏，持续更新中
欢迎关注 『scrapy爬虫』 专栏，持续更新中
『未完待续』

标签： scrapy 爬虫
本文转载自: https://blog.csdn.net/u011027547/article/details/136536712
版权归原作者 发现你走远了 所有， 如有侵权，请联系我们删除。
登录后发布评论

“『scrapy爬虫』03. 爬取多个页面（详细注释步骤）”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？

文章导航