当前位置： 移动技术网 > IT编程>脚本编程>Python > 爬取豆瓣电影信息

爬取豆瓣电影信息

2018年12月10日  | 移动技术网IT编程  | 我要评论

秒点qq图标,班内网,动感之星官网

昨天写了一个小爬虫，爬取了豆瓣上2017年中国大陆的电影信息，网址为豆瓣选影视，爬取了电影的名称、导演、编剧、主演、类型、上映时间、片长、评分和链接，并保存到mongodb中。

一开始用的本机的ip地址，没用代理ip，请求了十几个网页之后就收不到数据了，报http错误302，然后用浏览器打开网页试了一下，发现浏览器也是302。。。


但是我不怕，我有代理ip，哈哈哈！详见我前一篇随笔：爬取代理ip。
使用代理ip之后果然可以持续收到数据了，但中间还是有302错误，没事，用另一个代理ip请求重新请求一次就好了，一次不行再来一次，再来一次不行那就再再来一次，再再不行，那。。。


下面附上部分代码吧。

1.爬虫文件
import scrapy
import json
from douban.items import doubanitem


parse_url = "https://movie.douban.com/j/new_search_subjects?sort=u&range=0,10&tags=%e7%94%b5%e5%bd%b1&start={}&countries=%e4%b8%ad%e5%9b%bd%e5%a4%a7%e9%99%86&year_range=2017,2017"


class cn2017spider(scrapy.spider):
    name = 'cn2017'
    allowed_domains = ['douban.com']
    start_urls = ['https://movie.douban.com/j/new_search_subjects?sort=u&range=0,10&tags=%e7%94%b5%e5%bd%b1&start=0&countries=%e4%b8%ad%e5%9b%bd%e5%a4%a7%e9%99%86&year_range=2017,2017']


    def parse(self, response):
        data = json.loads(response.body.decode())
        if data is not none:
            for film in data["data"]:
                print(film["url"])
                item = doubanitem()
                item["url"] = film["url"]
                yield scrapy.request(
                    film["url"],
                    callback=self.get_detail_content,
                    meta={"item": item}
                )

        for page in range(20,3200,20):
            yield scrapy.request(
                parse_url.format(page),
                callback=self.parse
            )


    def get_detail_content(self,response):
        item = response.meta["item"]
        item["film_name"] = response.xpath("//div[@id='content']//span[@property='v:itemreviewed']/text()").extract_first()
        item["director"] = response.xpath("//div[@id='info']/span[1]/span[2]/a/text()").extract_first()
        item["scriptwriter"] = response.xpath("///div[@id='info']/span[2]/span[2]/a/text()").extract()
        item["starring"] = response.xpath("//div[@id='info']/span[3]/span[2]/a[position()<6]/text()").extract()
        item["type"] = response.xpath("//div[@id='info']/span[@property='v:genre']/text()").extract()
        item["release_date"] = response.xpath("//div[@id='info']/span[@property='v:initialreleasedate']/text()").extract()
        item["running_time"] = response.xpath("//div[@id='info']/span[@property='v:runtime']/@content").extract_first()
        item["score"] = response.xpath("//div[@class='rating_self clearfix']/strong/text()").extract_first()
        # print(item)
        if item["film_name"] is none:
            # print("*" * 100)
            yield scrapy.request(
                item["url"],
                callback=self.get_detail_content,
                meta={"item": item},
                dont_filter=true
            )
        else:
            yield item
2.items.py文件
import scrapy


class doubanitem(scrapy.item):
    #电影名称
    film_name = scrapy.field()
    #导演
    director = scrapy.field()
    #编剧
    scriptwriter = scrapy.field()
    #主演
    starring = scrapy.field()
    #类型
    type = scrapy.field()
    #上映时间
    release_date = scrapy.field()
    #片长
    running_time = scrapy.field()
    #评分
    score = scrapy.field()
    #链接
    url = scrapy.field()
3.middlewares.py文件
from douban.settings import user_agent_list
import random
import pandas as pd


class useragentmiddleware(object):
    def process_request(self, request, spider):
        user_agent = random.choice(user_agent_list)
        request.headers["user-agent"] = user_agent
        return none


class proxymiddleware(object):
    def process_request(self, request, spider):
        # called for each request that goes through the downloader
        # middleware.
        ip_df = pd.read_csv(r"c:\users\administrator\desktop\douban\douban\ip.csv")
        ip = random.choice(ip_df.loc[:, "ip"])
        request.meta["proxy"] = "http://" + ip
        return none
4.pipelines.py文件
from pymongo import mongoclient

client = mongoclient()
collection = client["test"]["douban"]

class doubanpipeline(object):
    def process_item(self, item, spider):
        collection.insert(dict(item))
5.settings.py文件
downloader_middlewares = {
    'douban.middlewares.useragentmiddleware': 543,
    'douban.middlewares.proxymiddleware': 544,
}

item_pipelines = {
   'douban.pipelines.doubanpipeline': 300,
}

robotstxt_obey = false
download_timeout = 10
retry_enabled = true
retry_times = 10

程序共运行1小时20分21.473772秒，抓取到2986条数据。

最后，
还是要每天开心鸭！

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网