Scrapy之10行代码爬下电影天堂全站

前言

scrapy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

• 语言：python3.6

• 编辑器：Pycharm

• 数据库：MongoDB

• 框架：scrapy1.5.1

温馨提示：

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

show me the code

1. 新建项目文件

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

2. 创建crawl模板样式的爬虫demo

先命令行进入到spiders目录下

cd www_dytt8_net/www_dytt8_net/spiders

然后创建爬虫模板

scrapy genspider -t crawl dytt8 www.dytt8.net

得到如下文件 ?

3. 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→

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

4. 导航页点击进去的下一页

Rule(LinkExtractor(restrict_xpaths=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

5. 提取文章页链接，交由解析函数处理

Rule(LinkExtractor(allow=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

6. 提取所需关键信息

在items.py内定义我们需要提取的字段

import scrapyclass WwwDytt8NetItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    publish_time = scrapy.Field()
    images = scrapy.Field()
    download_links = scrapy.Field()
    contents = scrapy.Field()

接着将spiders/dytt8.py中的回调函数中的提取规则写出来

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

7. 启动脚本看下运行状态

scrapy crawl dytt8

感受爬爬的力量吧?

8. 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

ITEM_PIPELINES = {
   # 'www_dytt8_net.pipelines.WwwDytt8NetPipeline': 300,
   'scrapy_mongodb.MongoDBPipeline': 300,
}

然后写入mongodb配置即可

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

来，咱们状态全开run一波，最后得到2W+部片子

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，还是用丝瓜皮吧，人生苦短，请用丝瓜皮

戳阅读原文，查看完整代码