Scrapy爬取1908电影网电影数据

Scrapy爬取1908电影网电影数据

最初是打算直接从豆瓣上爬电影数据的，但编写完一直出现403错误，查了查是豆瓣反爬虫导致了，加了headers也还是一直出现错误，无奈只能转战1908电影网了。
爬取数据是为了构建电影知识图谱的。而1908电影网的电影数据确实比豆瓣少太多，尤其是电影评论这块，所以需要数据全的童鞋们还是继续啃豆瓣吧。。
直接上代码，
items.py文件下

import scrapy


class Movie1905Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
#电影名称
    movie_name=scrapy.Field()
#评分
    rating=scrapy.Field()
#海报
#post=scrapy.Field()
#上映日期
    date=scrapy.Field()
#类型
    genre=scrapy.Field()
#时长
    time=scrapy.Field()
#导演
    director=scrapy.Field()
#剧情
    story=scrapy.Field()
pass

之后在spider文件下创建1908movie.py

from scrapy import Request
from scrapy.spiders import Spider
from pymovie.items import Movie1905Item

class movie1908(Spider):
    name='1908movies_china'
    headers={
'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 Safari/536.5',
            }
    url='http://www.1905.com/mdb/film/list/country-China/o0d0p1.html'
def start_requests(self):
        basic_url='http://www.1905.com/mdb/film/list/country-China/o0d0p%s.html'        
        start,end=0,220
for i in range(start,end):
            url=basic_url.replace("%s",str(i))
yield Request(url,headers=self.headers)           

def parse(self,response):
        urls=response.xpath('.//ul[@class="inqList pt18"]/li/a/@href').extract()
for url in urls:
            url="http://www.1905.com"+url
yield Request(url,self.parse_movie)
def parse_movie(self,response):
        item=Movie1905Item()
        imovie=response.xpath('//div[@class="body"]')
        item['movie_name']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/h1/text()').extract()
        item['rating']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/h1/span[@class="score"]/b/text()').extract()
        item['date']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/div[1]/span[1]/text()').extract()
        item['genre']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/div[1]/span[2]/a[1]/text()').extract()
        item['time']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/div[1]/span[4]/text()').extract()
        item['director']=imovie.xpath('.//div[@class="container containerTop"]/div[2]/div[2]/a[1]/@title').extract()
        item['story']=imovie.xpath('.//div[@class="container containerMain"]/div[1]/section/div/p/text()').extract()
yield item

最后在cmd内进入同scrapy.cfg同一级目录中，输入

scrapy crawl 1908movies_china movie.csv

得到的movie.csv如图

参考博客
http://www.2cto.com/kf/201604/501764.html
http://www.cnblogs.com/mrchige/p/6481194.html