索取营销诊断书
021-80394720QQ
    您的位置：上海毫米网络优化公司 > 网站优化分享 >
    相关推荐recommended
    『scrapy爬虫』03. 爬取多个页面（详细注释步骤）
    作者：mmseoamin日期：2024-04-29

    目录

      • 1. 分析网页试着拿到多个页面的url
      • 2. 抓取250个电影
      • 3. start_requests的使用
      • 4. 代码规范
        • 导库的优化
        • 关于重写
        • 最终修改后的代码
        • 总结

          欢迎关注 『scrapy爬虫』 专栏，持续更新中

          欢迎关注 『scrapy爬虫』 专栏，持续更新中

          1. 分析网页试着拿到多个页面的url

          看到了一个个a标签对应的几页的页码url

          『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第1张

          这是1页到3页,因为是top250,总共10页.每一页就是25个,也对应着url中的参数0,25,50````````

          https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=25&filter=

          我们的douban.py

          import scrapy
from scrapy import Selector
from myscrapy.items import MovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls = ["https://movie.douban.com/top250"] # 起始url
    def parse(self, response):
        myselector=Selector(text=response.text)
        # 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")
        for list_item in list_items:
            movie_item=MovieItem()#新建类的对象
            # 电影标题的 Selector
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first() # extract_first()从选择器中提取第一个匹配的数据。
            # 电影评分
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            # # 电影影评
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            yield movie_item#把整理得到的数据给管道
        # 单个页面selector
        # content > div > div.article > div.paginator > a:nth-child(3)
        # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        hrefs_list=myselector.css('div.paginator > a::attr(href)')
        for href in hrefs_list:
            url=response.urljoin(href.extract())
            print(url)

          cmd运行,可以看到获取了url

          scrapy crawl douban

          『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第2张

          2. 抓取250个电影

          这里要用到scrapy中的request库,注意不是我们之前的requests这一个s的区别很大,不要导错包了.

          我们之前不是定义过一个MovieItem类吗?这个request是scrapy内部定义好的,我们在这里传入的url都会和我们前面的start_urls = ["https://movie.douban.com/top250"] # 起始url 一样用于爬虫.

          import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls = ["https://movie.douban.com/top250"] # 起始url
    def parse(self, response):
        myselector=Selector(text=response.text)
        # 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")
        for list_item in list_items:
            movie_item=MovieItem()#新建类的对象
            # 电影标题的 Selector
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first() # extract_first()从选择器中提取第一个匹配的数据。
            # 电影评分
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            # # 电影影评
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            yield movie_item#把整理得到的数据给管道
        # 单个页面selector
        # content > div > div.article > div.paginator > a:nth-child(3)
        # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        hrefs_list=myselector.css('div.paginator > a::attr(href)')
        for href in hrefs_list:
            url=response.urljoin(href.extract())
            # print(url)
            # 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据
            yield Request(url=url) #注意这个Request是来自scrapy的.   from scrapy import Selector,Request

          cmd运行

          scrapy crawl douban  -o douban250.csv

          『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第3张

          3. start_requests的使用

          修复一个bug(为什么250条数据变多了)?

          我们的起始页面start_urls = ["https://movie.douban.com/top250"] # 起始url

          但是我们知道,页面的规则,因为是第一页比较特殊,省略了参数0,实际上第一页的url应该是https://movie.douban.com/top250?start=0&filter=,这导致我们重复2次爬取了第一页的数据,出现了2次肖申克的救赎

          『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第4张

          解决方案1,直接修改起始页面

          start_urls = ["https://movie.douban.com/top250"] # 起始url
改为
start_urls = ["https://movie.douban.com/top250?start=0&filter="] # 起始url

          优雅方案2,start_requests一开始就设置要解析的url,不爬取页面url,告诉爬虫要爬的页面有哪些

          import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls = ["https://movie.douban.com/top250"] # 起始url
    def start_requests(self) :
        for page in range(10): #10页
            yield Request(url=f'https://movie.douban.com/top250?start={page*25}&filter=')
    def parse(self, response):
        myselector=Selector(text=response.text)
        # 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")
        for list_item in list_items:
            movie_item=MovieItem()#新建类的对象
            # 电影标题的 Selector
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first() # extract_first()从选择器中提取第一个匹配的数据。
            # 电影评分
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            # # 电影影评
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            yield movie_item#把整理得到的数据给管道
        # # 单个页面selector
        # # content > div > div.article > div.paginator > a:nth-child(3)
        # # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        # hrefs_list=myselector.css('div.paginator > a::attr(href)')
        # for href in hrefs_list:
        #     url=response.urljoin(href.extract())
        #     # print(url)
        #     # 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据
        #     yield Request(url=url) #注意这个Request是来自scrapy的.   from scrapy import Selector,Request

          cmd运行

          scrapy crawl douban  -o douban250_true.csv

          『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第5张

          4. 代码规范

          导库的优化

          在优化 Python 代码的导入语句时，通常会按照一定的规则和顺序进行排序和分组。这些规则和顺序有助于提高代码的可读性和维护性。以下是一般情况下推荐的导入规则和顺序：

          • 标准库导入：首先导入Python标准库中的模块，每个导入语句占一行。 
            python
import os
import sys
            • 第三方库导入：接着导入第三方库或框架的模块，每个导入语句占一行。 
              python
import requests
import pandas as pd

              本地应用/模块导入：最后导入项目中的自定义模块或应用程序模块。

              python
from myapp import utils
from myapp.models import User

              • 空行分隔：在不同类型的导入之间加入空行，以提高可读性。

              • 按字母顺序排序：可以按照字母顺序对每个导入组进行排序，或者使用工具自动排序。

              • 避免通配符导入：尽量避免使用 from module import * 的方式，应该明确导入需要的内容。

              • 别名处理：合理使用别名来简化长模块名，但不要过度缩写或使用难以理解的别名。用一些约定俗成的别名.

                import pandas as pd

                可以使用pycharm的快捷整理你的导包书写规范

                『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第6张

                关于重写

                可以看到警告.

                『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第7张

                Signature of method 'DoubanSpider.parse()' does not match signature of the base method in class 'Spider'

                这是因为我们的parse继承的DoubanSpider类的scrapy.Spider,我们按住ctrl点击scrapy.Spider前往观察这个被重写的方法,从图中可以看到这几个def都是重写这个spide的方法

                『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第8张

                class DoubanSpider(scrapy.Spider):
    def parse(self, response):

                可以看到被重写的方法原型

                『scrapy爬虫』03. 爬取多个页面（详细注释步骤）,在这里插入图片描述,第9张

                统一格式

                改为下面代码即可消除警告
def parse(self,response, **kwargs):

                最终修改后的代码

                import scrapy
from scrapy import Selector,Request
from myscrapy.items import MovieItem
class DoubanSpider(scrapy.Spider):
    name = "douban"
    allowed_domains = ["movie.douban.com"]# 限制或允许访问的域名列表
    start_urls = ["https://movie.douban.com/top250"] # 起始url
    def start_requests(self) :
        for page in range(10): #10页
            yield Request(url=f'https://movie.douban.com/top250?start={page*25}&filter=')
    def parse(self,response, **kwargs):
        myselector=Selector(text=response.text)
        # 拿到了所有的li,也就是所有的电影,每一个li代表一个电影,list_items是由250个电影li组成的list
        list_items=myselector.css("#content > div > div.article > ol > li")
        for list_item in list_items:
            movie_item=MovieItem()#新建类的对象
            # 电影标题的 Selector
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
            movie_item['title']=list_item.css("span.title::text").extract_first() # extract_first()从选择器中提取第一个匹配的数据。
            # 电影评分
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > div > span.rating_num
            movie_item['score']=list_item.css("span.rating_num::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            # # 电影影评
            # content > div > div.article > ol > li:nth-child(1) > div > div.info > div.bd > p.quote > span
            movie_item['quato']=list_item.css("span.inq::text").extract_first()  # extract_first()从选择器中提取第一个匹配的数据。
            yield movie_item#把整理得到的数据给管道
        # # 单个页面selector
        # # content > div > div.article > div.paginator > a:nth-child(3)
        # # ::attr(href)表示选取元素的href属性。使用.getall()方法可以获取匹配到的所有元素的href属性值，并将其存储在一个列表中。
        # hrefs_list=myselector.css('div.paginator > a::attr(href)')
        # for href in hrefs_list:
        #     url=response.urljoin(href.extract())
        #     # print(url)
        #     # 将 Request 对象加入到爬虫的请求队列中，以便发送请求,相当于对每个页面执行抓取数据
        #     yield Request(url=url) #注意这个Request是来自scrapy的.   from scrapy import Selector,Request

                总结

                大家喜欢的话，给个👍，点个关注！给大家分享更多计算机专业学生的求学之路！

                版权声明：

                发现你走远了@mzh原创作品，转载必须标注原文链接

                Copyright 2024 mzh

                Crated：2024-3-1

                欢迎关注 『scrapy爬虫』 专栏，持续更新中

                欢迎关注 『scrapy爬虫』 专栏，持续更新中

                『未完待续』

                 

    上一篇：【MySQL 数据库应用】-购物网站系统数据库设计

    下一篇：Spring Boot集成百度UidGenerator雪花算法使用以及自定义starter封装UidGenerator支持原生DB、Redis、自定义方式获取workID介绍

    网站优化运营
    整站seo优化
    网络营销运营
    成功案例
    品牌创意网站
    营销型网站
    小程序
    微信小程序
    微信公众号
    百度熊掌号
    网站优化分享
    关于我们
    公司概况
    公司新闻
    公司文化
    结构体系
    企业资质
    加入我们
    关注我们
    扫描二维码
    获取更多信息
    精彩一手掌握
    Copyright © 2014-2019 seo,上海网站优化_网络制作_网站seo排名_网站建设推广_上海网络公司 版权所有 沪ICP备19022315号