Scrapy之10行代码爬下电影天堂全站

作者： 张小鸡Python爱好者社区专栏作者

知乎ID：https://www.zhihu.com/people/mr.ji

个人公众号：鸡仔说

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

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

然后创建爬虫模板

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

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，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，还有一个参数是可以设为或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

我们将页面中有这种形式的页面提取出来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，最后将提取到的链接回调给处理

6. 提取所需关键信息

在items.py内定义我们需要提取的字段

接着将spiders/dytt8.py中的回调函数中的提取规则写出来

7. 启动脚本看下运行状态

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

然后写入mongodb配置即可

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

github地址：http://link.zhihu.com/?target=https%3A//github.com/hacksman/spider_world

个人网站：http://link.zhihu.com/?target=http%3A//www.zxiaoji.com/

Python的爱好者社区历史文章大合集：

小编的转行入职数据科学（数据分析挖掘/机器学习方向）【最新免费】

小编的Python的入门免费视频课程！

小编的Python的快速上手matplotlib可视化库！

崔老师爬虫实战案例免费学习视频。

陈老师数据分析报告扩展制作免费学习视频。

玩转大数据分析！Spark2.X + Python精华实战课程免费学习视频。