Scrapy实战：爬取豆瓣电影数据和评分热度排名

Scrapy是一个开源的Python框架，用于快速高效地爬取数据。在本文中，我们将使用Scrapy爬取豆瓣电影的数据和评分热度排名。

1. 准备工作

首先，我们需要安装Scrapy。您可以在命令行中输入以下命令来安装Scrapy：

pip install scrapy

接下来，我们将创建一个Scrapy项目。在命令行中，输入以下命令：

scrapy startproject doubanmovie

这将创建一个名为doubanmovie的Scrapy项目。然后，我们将进入项目目录并创建一个名为douban.py的Spider。在命令行中，输入以下命令：

cd doubanmovie
scrapy genspider douban douban.com

现在，我们已经有了一个可以使用的Spider。接下来，我们将定义Spider的行为以获取所需的数据。

2. 爬取电影数据

我们将使用Spider来爬取豆瓣电影的数据。具体来说，我们将获取以下信息：

• 电影名称
• 导演
• 演员
• 类型
• 国家
• 语言
• 上映日期
• 片长
• 评分
• 评价人数

打开douban.py文件，我们将添加以下代码：

import scrapy

class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for movie in movie_list:
            yield {
                'name': movie.xpath('.//span[@class="title"]/text()').get(),
                'director': movie.xpath('.//div[@class="bd"]/p/text()[1]').get(),
                'actors': movie.xpath('.//div[@class="bd"]/p/text()[2]').get(),
                'genre': movie.xpath('.//div[@class="bd"]/p/text()[3]').get(),
                'country': movie.xpath('.//div[@class="bd"]/p/text()[4]').get(),
                'language': movie.xpath('.//div[@class="bd"]/p/text()[5]').get(),
                'release_date': movie.xpath('.//div[@class="bd"]/p/text()[6]').get(),
                'duration': movie.xpath('.//div[@class="bd"]/p/text()[7]').get(),
                'rating': movie.xpath('.//span[@class="rating_num"]/text()').get(),
                'num_reviews': movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').get(),
            }

在这个代码中，我们使用XPath来选取我们需要获取的信息。我们使用yield来生成这些信息，并使用return来将它们返回到用户。

如果我们现在运行我们的Spider（运行以下命令：scrapy crawl douban），它将爬取前250部电影的数据，并将它们返回到命令行中。

3. 获取评分热度排名

现在，我们已经成功地获取了前250部电影的数据。接下来，我们将获取它们的评分热度排名。

我们需要先创建一个新的Spider，来爬取豆瓣电影的TOP250列表。我们将使用此列表来获取电影的排名。

在douban.py文件中，我们将添加以下代码：

import scrapy

class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for movie in movie_list:
            yield {
                'name': movie.xpath('.//span[@class="title"]/text()').get(),
                'director': movie.xpath('.//div[@class="bd"]/p/text()[1]').get(),
                'actors': movie.xpath('.//div[@class="bd"]/p/text()[2]').get(),
                'genre': movie.xpath('.//div[@class="bd"]/p/text()[3]').get(),
                'country': movie.xpath('.//div[@class="bd"]/p/text()[4]').get(),
                'language': movie.xpath('.//div[@class="bd"]/p/text()[5]').get(),
                'release_date': movie.xpath('.//div[@class="bd"]/p/text()[6]').get(),
                'duration': movie.xpath('.//div[@class="bd"]/p/text()[7]').get(),
                'rating': movie.xpath('.//span[@class="rating_num"]/text()').get(),
                'num_reviews': movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').get(),
            }

        next_page = response.xpath('//span[@class="next"]/a/@href')
        if next_page:
            url = response.urljoin(next_page[0].get())
            yield scrapy.Request(url, callback=self.parse)

在代码中，我们使用了一个名为next_page的变量，来检查我们是否到达了最后一页。如果我们还没有到达最后一页，我们将继续爬取下一页。

接下来，我们需要更新parse方法，以获取电影的排名。我们将使用Python的enumerate函数来将排名与每部电影相关联。

在douban.py文件中，我们将替换原来的parse方法：

def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for i, movie in enumerate(movie_list):
            yield {
                'rank': i + 1,
                'name': movie.xpath('.//span[@class="title"]/text()').get(),
                'director': movie.xpath('.//div[@class="bd"]/p/text()[1]').get(),
                'actors': movie.xpath('.//div[@class="bd"]/p/text()[2]').get(),
                'genre': movie.xpath('.//div[@class="bd"]/p/text()[3]').get(),
                'country': movie.xpath('.//div[@class="bd"]/p/text()[4]').get(),
                'language': movie.xpath('.//div[@class="bd"]/p/text()[5]').get(),
                'release_date': movie.xpath('.//div[@class="bd"]/p/text()[6]').get(),
                'duration': movie.xpath('.//div[@class="bd"]/p/text()[7]').get(),
                'rating': movie.xpath('.//span[@class="rating_num"]/text()').get(),
                'num_reviews': movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').get(),
            }

        next_page = response.xpath('//span[@class="next"]/a/@href')
        if next_page:
            url = response.urljoin(next_page[0].get())
            yield scrapy.Request(url, callback=self.parse)

现在，如果我们再次运行我们的Spider，它将获取前250部电影的数据，并将它们返回到命令行中。此时，我们将看到所有电影的排名。

4. 结论

Scrapy是一种非常强大和灵活的工具，用于快速高效地爬取数据。在本文中，我们已经成功地使用Scrapy来爬取豆瓣电影的数据和评分热度排名。

我们使用Python代码和XPath来选择性获取网页上的信息，并使用yield语句来将其返回给用户。在整个过程中，Scrapy提供了一个简单而有效的方式来管理和爬取大量的数据，使我们能够快速地进行数据分析和处理。

以上是Scrapy实战：爬取豆瓣电影数据和评分热度排名的详细内容。更多信息请关注PHP中文网其他相关文章！