休闲时光：最近上映的电影与爬虫世界，带您彻底放松！

AirPython

发布于 2023-08-22 08:22:51

1580

发布于 2023-08-22 08:22:51

文章被收录于专栏：Python 自动化Python 自动化

大家好，我是安果！

周末是与亲朋好友相聚的好时机，可以选择一部大家都喜欢的电影，彻底放松，共同度过一个愉快而难忘的周末

本篇文章将介绍如何使用 Scrapy 爬取最新上映的电影

目标对象：

aHR0cHM6Ly93d3cubWFveWFuLmNvbS8=

1、创建爬虫项目

# 创建一个爬虫项目
scrapy startproject film

cd film

# 创建一个爬虫
scrapy genspider maoyan_film https://www.*.com/

2、创建数据表及定义 Item

在数据库中创建一张表用于保存爬取下来的数据

以 Mysql 为例

create table xag.film
(
    id          int auto_increment
        primary key,
    film_name   varchar(100) null,
    show_time   varchar(100) null,
    file_type   varchar(100) null,
    actors      varchar(100) null,
    url         varchar(100) null,
    insert_time date         null
);

然后，定义 Item 存储数据对象

# items.py

import scrapy

class FilmItem(scrapy.Item):
    film_name = scrapy.Field()  # 电影名称
    show_time = scrapy.Field()  # 上映时间
    file_type = scrapy.Field()  # 电影类型
    actors = scrapy.Field()  # 电影演员
    url = scrapy.Field()  # 电影URL
    insert_time = scrapy.Field()  # 插入时间（年、月、日）

3、编写爬虫解析主页面

这里以 Selenium 为例，首先创建一个浏览器对象

PS：为了在服务器上运行，这里对 CentOS 做了兼容处理

import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.service import Service
import platform

...
 def parse(self, response):
        chrome_options = Options()

        if platform.system().lower() == 'windows':
            # win
            s = Service(r"C:\work\chromedriver.exe")
            self.browser = webdriver.Chrome(service=s, options=chrome_options)
        else:
            # Centos
            DRIVER_PATH = '/home/drivers/chromedriver'
            s = Service(DRIVER_PATH)
            chrome_options.add_argument('--no-sandbox')
            chrome_options.add_argument('--headless')  # 无头参数
            chrome_options.add_argument('--disable-gpu')
            self.browser = webdriver.Chrome(service=s, options=chrome_options)

        self.browser.implicitly_wait(5)
...

然后，分析网页结构，使用 Xpath 解析最近上映的电影数据

这里提取出电影的名称及上映时间（包含电影详情页面 URL）

...
        url = response.url
        # selenium打开网页
        self.browser.get(url)
        self.browser.maximize_window()

        WebDriverWait(self.browser, 20).until(
            EC.presence_of_element_located((By.XPATH, '//div[@class="movie-grid"]/div[2]//dl'))
        )

        time.sleep(10)

        video_elements = self.browser.find_elements(By.XPATH, '//div[@class="movie-grid"]/div[2]//dl/dd')

        for video_element in video_elements:
            # 电影名称
            film_name = video_element.find_element(By.XPATH, './/div[contains(@class,"movie-title")]').text

            # 上映时间
            show_time = video_element.find_element(By.XPATH, './/div[contains(@class,"movie-rt")]').text.replace(
                "上映",
                "")

            # 详情页面URL
            file_detail_a_element = video_element.find_element(By.XPATH, './/div[@class="movie-item"]/a')
            file_detail_url = file_detail_a_element.get_attribute("href")

            print('film_name:', film_name, ',show_time:', show_time, ",url：", file_detail_url)

            yield Request(file_detail_url, callback=self.parse_detail, headers=self.headers,
                          meta={"film_name": film_name, "show_time": show_time}, dont_filter=True)
...

4、电影详情页面解析

通过上面的步骤，我们可以拿到某一部电影的详情页面 URL

需要注意的是，如果使用 Selenium 直接打开该页面会触发反爬，这里我们需要修改浏览器特征值

...
 def parse_detail(self, response):
        """
        解析子页面
        :param response:
        :return:
        """
        # 应对反爬
        self.browser.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
            "source": """
                            Object.defineProperty(navigator, 'webdriver', {
                              get: () => undefined
                            })
                            """
        })
...

接着，打开目标页面，爬取电影的类型及演员列表

最后，将数据将存储到 Item 中

...
 self.browser.get(response.url)
        self.browser.maximize_window()

        # 等待加载完成
        WebDriverWait(self.browser, 20).until(
            EC.presence_of_element_located((By.XPATH, '//div[@class="movie-brief-container"]//a[@class="text-link"]'))
        )

        # 获取电影类型
        film_type_elements = self.browser.find_elements(By.XPATH,
                                                        '//div[@class="movie-brief-container"]//a[@class="text-link"]')
        file_type = ''
        for index, film_type_element in enumerate(film_type_elements):
            if len(film_type_elements) >= 2:
                if index != len(film_type_elements) - 1:
                    file_type += film_type_element.text + "|"
                else:
                    file_type += film_type_element.text
            else:
                file_type += film_type_element.text

        # 演员
        celebritys = self.browser.find_elements(By.XPATH,
                                                '//div[@class="celebrity-group"][2]//div[@class="info"]//a[@class="name"]')[
                     :3]
        actors = ''
        for index, celebrity in enumerate(celebritys):
            if len(celebritys) >= 2:
                if index != len(celebritys) - 1:
                    actors += celebrity.text + "|"
                else:
                    actors += celebrity.text
            else:
                actors += celebrity.text

        item = FilmItem()

        item['film_name'] = response.meta.get("film_name", "")
        item['show_time'] = response.meta.get("show_time", "")
        item["file_type"] = file_type
        item["actors"] = actors
        item['url'] = response.url
        item['insert_time'] = date.today().strftime("%Y-%m-%d")

        yield item
...

5、编写数据库管道，将上面的数据存储到数据库表中

from scrapy.exporters import CsvItemExporter
from film.items import FilmItem
import MySQLdb

class MysqlPipeline(object):
    def __init__(self):
        # 链接mysql数据库
        self.conn = MySQLdb.connect("host", "root", "pwd", "xag", charset="utf8", use_unicode=True)
        self.cursor = self.conn.cursor()

    # 数据同步插入到mysql数据库
    def process_item(self, item, spider):
        table_name = ''
        if isinstance(item, FilmItem):
            table_name = 'film'

        # sql语句
        insert_sql = """
            insert into  {}(film_name,show_time,file_type,actors,url,insert_time) values(%s,%s,%s,%s,%s,%s)  
        """.format(table_name)
        params = list()
        params.append(item.get("film_name", ""))
        params.append(item.get("show_time", ""))
        params.append(item.get("file_type", ""))
        params.append(item.get("actors", ""))
        params.append(item.get("url", ""))
        params.append(item.get("insert_time", ""))

        # 执行插入数据到数据库操作
        self.cursor.execute(insert_sql, tuple(params))

        # 提交，保存到数据库
        self.conn.commit()

        return item

    def close_spider(self, spider):
        """释放数据库资源"""
        self.cursor.close()
        self.conn.close()

6、配置爬虫项目 settings.py

在 settings.py 文件中，对下载延迟、默认请求头、下载管道 Pipline等进行配置

# settings.py

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

DOWNLOAD_DELAY = 3

DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
    'Accept-Language': 'en',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36',
    'Host':'www.host.com'
}

ITEM_PIPELINES = {
   'film.pipelines.MysqlPipeline': 300,
}

7、运行入口

在项目根目录下创建一个文件，用于定义爬虫的运行入口

from scrapy.cmdline import execute
import sys, os

def start_scrapy():
    sys.path.append(os.path.dirname(__file__))
    # 运行单个爬虫
    execute(["scrapy", "crawl", "maoyan_film"])

if __name__ == '__main__':
    start_scrapy()

最后，我们将爬虫部署到服务器，设置定时任务及消息通知

这样我们可以及时获取最近上映的电影，通过电影类型及演员阵容，挑选自己喜欢的电影