温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Python如何通过xpath属性爬取豆瓣热映的电影信息

发布时间:2021-11-11 21:11:07 来源:亿速云 阅读:185 作者:柒染 栏目:开发技术

本篇文章给大家分享的是有关Python如何通过xpath属性爬取豆瓣热映的电影信息,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。

    前言

    声明一下:本文主要是研究使用,没有别的用途。

    GitHub仓库地址:github项目仓库

    页面分析

    主要爬取页面为:https://movie.douban.com/cinema/nowplaying/nanjing/

    至于后面的地区,可以按照自己的需要改一下,不过多赘述了。页面需要点击一下展开全部影片,才能显示全部内容,不然只有15部。所以我们使用selenium的时候,需要加一个打开页面后的点击逻辑。页面图如下:

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    通过F12展开的源码,用xpath helper工具验证一下右键复制下来的xpath路径。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    为了避免布局调整导致找不到,我把xpath改为通过class名获取。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    然后看看每个影片的信息。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    分析一下,是不是可以通过nowplaying的div,作为根节点,然后获取下面class为list-item的节点,里面的属性就是我们要的内容。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    没什么问题,那么就按照这个思路开始创建项目编码吧。

    实现过程

    创建项目

    创建一个较douban_playing的项目,使用scrapy命令。

    scrapy startproject douban_playing

    Item定义

    定义电影信息实体。

    # Define here the models for your scraped items
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/items.html
     
    import scrapy
     
     
    class DoubanPlayingItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        # 电影名
        title = scrapy.Field()
        # 电影分数
        score = scrapy.Field()
        # 电影发行年份
        release = scrapy.Field()
        # 电影时长
        duration = scrapy.Field()
        # 地区
        region = scrapy.Field()
        # 电影导演
        director = scrapy.Field()
        # 电影主演
        actors = scrapy.Field()

    中间件操作定义

    主要是点击展开全部影片,需要加一段代码。

    # Define here the models for your spider middleware
    #
    # See documentation in:
    # https://docs.scrapy.org/en/latest/topics/spider-middleware.html
    import time
     
    from scrapy import signals
     
    # useful for handling different item types with a single interface
    from itemadapter import is_item, ItemAdapter
    from scrapy.http import HtmlResponse
    from selenium.common.exceptions import TimeoutException
     
     
    class DoubanPlayingSpiderMiddleware:
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the spider middleware does not modify the
        # passed objects.
     
        @classmethod
        def from_crawler(cls, crawler):
            # This method is used by Scrapy to create your spiders.
            s = cls()
            crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
            return s
     
        def process_spider_input(self, response, spider):
            # Called for each response that goes through the spider
            # middleware and into the spider.
     
            # Should return None or raise an exception.
            return None
     
        def process_spider_output(self, response, result, spider):
            # Called with the results returned from the Spider, after
            # it has processed the response.
     
            # Must return an iterable of Request, or item objects.
            for i in result:
                yield i
     
        def process_spider_exception(self, response, exception, spider):
            # Called when a spider or process_spider_input() method
            # (from other spider middleware) raises an exception.
     
            # Should return either None or an iterable of Request or item objects.
            pass
     
        def process_start_requests(self, start_requests, spider):
            # Called with the start requests of the spider, and works
            # similarly to the process_spider_output() method, except
            # that it doesn't have a response associated.
     
            # Must return only requests (not items).
            for r in start_requests:
                yield r
     
        def spider_opened(self, spider):
            spider.logger.info('Spider opened: %s' % spider.name)
     
     
    class DoubanPlayingDownloaderMiddleware:
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the downloader middleware does not modify the
        # passed objects.
     
        @classmethod
        def from_crawler(cls, crawler):
            # This method is used by Scrapy to create your spiders.
            s = cls()
            crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
            return s
     
        def process_request(self, request, spider):
            # Called for each request that goes through the downloader
            # middleware.
     
            # Must either:
            # - return None: continue processing this request
            # - or return a Response object
            # - or return a Request object
            # - or raise IgnoreRequest: process_exception() methods of
            #   installed downloader middleware will be called
            # return None
            try:
                spider.browser.get(request.url)
                spider.browser.maximize_window()
                time.sleep(2)
                spider.browser.find_element_by_xpath("//*[@id='nowplaying']/div[@class='more']").click()
                # ActionChains(spider.browser).click(searchButtonElement)
                time.sleep(5)
                return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source,
                                    encoding="utf-8", request=request)
            except TimeoutException as e:
                print('超时异常:{}'.format(e))
                spider.browser.execute_script('window.stop()')
            finally:
                spider.browser.close()
     
        def process_response(self, request, response, spider):
            # Called with the response returned from the downloader.
     
            # Must either;
            # - return a Response object
            # - return a Request object
            # - or raise IgnoreRequest
            return response
     
        def process_exception(self, request, exception, spider):
            # Called when a download handler or a process_request()
            # (from other downloader middleware) raises an exception.
     
            # Must either:
            # - return None: continue processing this exception
            # - return a Response object: stops process_exception() chain
            # - return a Request object: stops process_exception() chain
            pass
     
        def spider_opened(self, spider):
            spider.logger.info('Spider opened: %s' % spider.name)

    爬虫定义

    按照属性名,我们取出所有的影片信息。注意取出属性的写法。

    #!/user/bin/env python
    # coding=utf-8
    """
    @project : douban_playing
    @author  : huyi
    @file   : douban_playing.py
    @ide    : PyCharm
    @time   : 2021-11-10 16:31:23
    """
     
    import scrapy
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
     
    from douban_playing.items import DoubanPlayingItem
     
     
    class DoubanPlayingSpider(scrapy.Spider):
        name = 'dbp'
        # allowed_domains = ['blog.csdn.net']
        start_urls = ['https://movie.douban.com/cinema/nowplaying/nanjing/']
        nowplaying = "//*[@id='nowplaying']/div[@class='mod-bd']//*[@class='list-item']/@{}"
        properties = ['data-title', 'data-score', 'data-release', 'data-duration', 'data-region', 'data-director',
                      'data-actors']
     
        def __init__(self):
            chrome_options = Options()
            chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
            chrome_options.add_argument('--disable-gpu')
            chrome_options.add_argument('--no-sandbox')
            self.browser = webdriver.Chrome(chrome_options=chrome_options,
                                            executable_path="E:\\chromedriver_win32\\chromedriver.exe")
            self.browser.set_page_load_timeout(30)
     
        def parse(self, response, **kwargs):
            titles = response.xpath(self.nowplaying.format(self.properties[0])).extract()
            scores = response.xpath(self.nowplaying.format(self.properties[1])).extract()
            releases = response.xpath(self.nowplaying.format(self.properties[2])).extract()
            durations = response.xpath(self.nowplaying.format(self.properties[3])).extract()
            regions = response.xpath(self.nowplaying.format(self.properties[4])).extract()
            directors = response.xpath(self.nowplaying.format(self.properties[5])).extract()
            actors = response.xpath(self.nowplaying.format(self.properties[6])).extract()
            for x in range(len(titles)):
                item = DoubanPlayingItem()
                item['title'] = titles[x]
                item['score'] = scores[x]
                item['release'] = releases[x]
                item['duration'] = durations[x]
                item['region'] = regions[x]
                item['director'] = directors[x]
                item['actors'] = actors[x]
                yield item

    数据管道定义

    还是老样子,把取出的电影数据按照格式输出在文本中。

    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
     
     
    # useful for handling different item types with a single interface
    from itemadapter import ItemAdapter
     
     
    class DoubanPlayingPipeline:
        def __init__(self):
            self.file = open('result.txt', 'w', encoding='utf-8')
     
        def process_item(self, item, spider):
            self.file.write(
                "电影:{}\t分数:{}\t发行年份:{}\t电影时长:{}\t地区:{}\t电影导演:{}\t电影主演:{}\n".format(
                    item['title'],
                    item['score'],
                    item['release'],
                    item['duration'],
                    item['region'],
                    item['director'],
                    item['actors']))
            return item
     
        def close_spider(self, spider):
            self.file.close()

    配置设置

    都是一些常规的,放开几个默认配置就行。

    # Scrapy settings for douban_playing project
    #
    # For simplicity, this file contains only settings considered important or
    # commonly used. You can find more settings consulting the documentation:
    #
    #     https://docs.scrapy.org/en/latest/topics/settings.html
    #     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
    #     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
     
    BOT_NAME = 'douban_playing'
     
    SPIDER_MODULES = ['douban_playing.spiders']
    NEWSPIDER_MODULE = 'douban_playing.spiders'
     
     
    # Crawl responsibly by identifying yourself (and your website) on the user-agent
    #USER_AGENT = 'douban_playing (+http://www.yourdomain.com)'
    USER_AGENT = 'Mozilla/5.0'
     
    # Obey robots.txt rules
    ROBOTSTXT_OBEY = False
     
    # Configure maximum concurrent requests performed by Scrapy (default: 16)
    #CONCURRENT_REQUESTS = 32
     
    # Configure a delay for requests for the same website (default: 0)
    # See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
    # See also autothrottle settings and docs
    #DOWNLOAD_DELAY = 3
    # The download delay setting will honor only one of:
    #CONCURRENT_REQUESTS_PER_DOMAIN = 16
    #CONCURRENT_REQUESTS_PER_IP = 16
     
    # Disable cookies (enabled by default)
    COOKIES_ENABLED = False
     
    # Disable Telnet Console (enabled by default)
    #TELNETCONSOLE_ENABLED = False
     
    # Override the default request headers:
    DEFAULT_REQUEST_HEADERS = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
        'Accept-Language': 'en',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
    }
     
    # Enable or disable spider middlewares
    # See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
    SPIDER_MIDDLEWARES = {
       'douban_playing.middlewares.DoubanPlayingSpiderMiddleware': 543,
    }
     
    # Enable or disable downloader middlewares
    # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
    DOWNLOADER_MIDDLEWARES = {
       'douban_playing.middlewares.DoubanPlayingDownloaderMiddleware': 543,
    }
     
    # Enable or disable extensions
    # See https://docs.scrapy.org/en/latest/topics/extensions.html
    #EXTENSIONS = {
    #    'scrapy.extensions.telnet.TelnetConsole': None,
    #}
     
    # Configure item pipelines
    # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
    ITEM_PIPELINES = {
       'douban_playing.pipelines.DoubanPlayingPipeline': 300,
    }
     
    # Enable and configure the AutoThrottle extension (disabled by default)
    # See https://docs.scrapy.org/en/latest/topics/autothrottle.html
    #AUTOTHROTTLE_ENABLED = True
    # The initial download delay
    #AUTOTHROTTLE_START_DELAY = 5
    # The maximum download delay to be set in case of high latencies
    #AUTOTHROTTLE_MAX_DELAY = 60
    # The average number of requests Scrapy should be sending in parallel to
    # each remote server
    #AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
    # Enable showing throttling stats for every response received:
    #AUTOTHROTTLE_DEBUG = False
     
    # Enable and configure HTTP caching (disabled by default)
    # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
    #HTTPCACHE_ENABLED = True
    #HTTPCACHE_EXPIRATION_SECS = 0
    #HTTPCACHE_DIR = 'httpcache'
    #HTTPCACHE_IGNORE_HTTP_CODES = []
    #HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

    执行验证

    还是老样子,不直接使用scrapy命令,构造一个py执行cmd。注意该py的位置。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    看一下执行后的结果。

    Python如何通过xpath属性爬取豆瓣热映的电影信息

    完美!

    以上就是Python如何通过xpath属性爬取豆瓣热映的电影信息,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注亿速云行业资讯频道。

    向AI问一下细节

    免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

    AI