Scrapy爬虫进阶操作之CrawlSpider（二）

谁借莪１个温暖的怀抱￠ 2022-10-01 09:52 224阅读 0赞

开头再来波小程序摇一摇：

上一章节，我们讲到了通过Rules来获取下一个待爬页面的URL，那么我们今天就来讲讲具体的怎么爬取一个页面。

因为我们的目的是爬取整个36页的全部美剧列表，但是在36页数据里面，除了第一页，其他35也的网页都是很规律很整齐的，为啥第一页不一样？因为第一页有前三甲的图片，这个我们需要特殊处理一下。所以，今天这节，我们主要来说爬取剩下35页内荣怎么爬。

http://www.ttmeiju.me/index.php/summary/index/p/2.html

### 0x00\_承前 ###

前一篇文章[『Scrapy爬虫进阶操作之CrawlSpider（一）』][Scrapy_CrawlSpider]，我们主要讲到了编写 Rule 来提取下一页的URL：

rules = (        Rule(LinkExtractor(restrict_xpaths='//ul[@class="pagination"]//a[@class="next"]'), callback='parse_item', follow=True),    )复制代码

今天，我们就来完善我们这个 Rule 里面的 callback : parse\_item() 方法。

### 0x01\_分析 ###

我们要爬取的页面，大概长上图的那个样子。通过观察，看到这里面每项都是很规则的排布，在看网页源码里面，

我们就发现，每一条数据，其实都是一个 `tr` 标签，这个标签的特点就是 `class` 里面含有 `Scontent` 或者 `Scontent1` 这两个字段。

接着在看 `tr` 标签内部，每一条美剧信息里面有 7 个内容，即：序号，剧名，分类，状态，更新日期，回归日期和倒计时。我们的目的就是要把这 7 个都摘出来。所以，我们在 items.py 里面创建一个 scrapy.item 类：

class TtmjTvPlayItem(scrapy.Item):    tv_play_name = scrapy.Field()    tv_play_rank = scrapy.Field()    tv_play_category = scrapy.Field()    tv_play_state = scrapy.Field()    tv_play_update_day = scrapy.Field()    tv_play_return_date = scrapy.Field()    tv_play_counting_data = scrapy.Field()    tv_play_url = scrapy.Field()复制代码

这个 scrapy.Item 就是scrapy将爬取结果封装到一个bean中，之后再由用户随便处置这个bean。这些变量就是我们前面说的那 7 个变量。

### 0x02\_爬页面第一步 ###

为了更好的调试，我们先把 Rule 里面的 follow 去掉，或者改为 False。 这个做的目的是我们先用：

http://www.ttmeiju.me/index.php/summary/index/p/2.html复制代码

页面进行调试。将 follow 改为 False,这个时候我们运行下面的代码：

class PlayrankingSpider(CrawlSpider):    name = 'playranking'    allowed_domains = ['www.ttmeiju.me']    # start_urls = ['http://www.ttmeiju.me/'] root_url = "http://www.ttmeiju.me/" start_urls = ['http://www.ttmeiju.me/index.php/summary/index/p/1.html'] rules = ( # Rule(LinkExtractor(restrict_xpaths='//ul[@class="pagination"]//a[@class="next"]'), callback='parse_item',follow=True), Rule(LinkExtractor(restrict_xpaths='//ul[@class="pagination"]//a[@class="next"]'), callback='parse_item'), ) def parse_item(self, response): print(response.url)复制代码

看到结果显示的是这个样子：

我们看到，去掉follow之后，果然只是爬取两页内容，但是这里 parse\_item() 只打印出来第二页的 URL，第一页的URL没有打印出来。这其中的过程在这里简单说一下：

CrawlSpider首先是通过 startUrl 来作为爬虫开始爬取的页面的，所有的 Rules 生效的页面都是在第一个页面以及之后的页面，所以这里，当 Scrapy 向 startUrl 发送第一个请求并得到 response，我们开始调用 Rules 来萃取出来接下来需要爬取的 URL ， 所以， parse\_item() 这个回调生效的页面就是除了 startUrl 页面的其他页面。

可是我们也要爬取 startUrl 页面里面的东西的啊，别急，我们下一节说这个问题。这一节我们先来搞定除第一个页面的其他页面的爬取。

那么接下来我们就是要从 URL 里面来获取到我们上面 TtmjTvPlayItem 里面各个变量的值了。

### 0x03\_采坑 ###

页面数据很规律，我们还是通过 xPath 来定位元素信息。

每一条美剧的信息，都包裹在 `tr` 标签下，而且 `tr` 标签的特点就是 `class` 里面含有 `Scontent` 字段。

所以，我们这里可以按照这样的思路来操作：先将所有美剧的 `tr` 标签爬取出来，成一个 list， 然后再遍历 list 里面的每一个变量，再从中获取出来 各个变量赋值到 TtmjTvPlayItem 里面。

我们使用在上一节提到的 `Scrapy Shell` 来做 xpath 的定位：

$ scrapy shell http://www.ttmeiju.me/index.php/summary/index/p/2.html$ response.xpath('//tr[contains(@class,"Scontent")]') 复制代码

可以看到结果却是是所有的美剧列表：

然后我们只需要遍历这每一个 `tr` 标签即可，所以我们的 parse\_item() 方法写成这样：

def parse_item(self, response):    tr_list = response.xpath('//tr[contains(@class, "Scontent")]')    for content in tr_list:        name = content.xpath('//td[@align="left"]//a/text()').extract()        print(name)复制代码

这里我们要答应所有的名字，结果发现：

WTF！这尼玛好像把所有的名字都打印出来了，这不是我们想要的结果啊。

**这里就是坑！！！**

xpath选出来 selectorList 之后，如果想要针对每一个 selector 进行操作，就需要把每一个 selector 先 extract() 出来，再封装成 Selector，之后的操作，就对这个 Selector 操作就可以。

我们将代码改成下面这个样子：

def parse_item(self, response):        tr_list = response.xpath('//tr[contains(@class, "Scontent")]').extract()        for content in tr_list:            selector = Selector(text=content)            name = selector.xpath('//td[@align="left"]//a/text()').extract()            print(name)复制代码

注意第二行和第四行，第二行调用了extract()，先提取成 string，然后第四行我们在针对每个 string 封装成 selector供下面的使用。这样我们再看打印结果：

看到每个名字都答应出来了。这一步成功了，我们接下来把其他数据搞定就可以了。

### 0x05\_完善数据 ###

针对每一条美剧，名字分布很有规律，就是一个有`align`属性的 `a` 标签，其他的内容都是在 `td` 标签里面。

我们按照上面的思路，把代码改一下，找到所有的td来看一下：

def parse_item(self, response):    tr_list = response.xpath('//tr[contains(@class, "Scontent")]').extract()    for content in tr_list:        selector = Selector(text=content)        td_list = selector.xpath('//td/text()').extract()        tv_name = selector.xpath('//td[@align="left"]//a/text()').extract_first()        print(tv_name)        for td_item in enumerate(td_list):            print(td_item)复制代码

结果很让我们意外：

找到是找到了，结果里面有好多换行符和空格，那么我们只需要简单处理一下：

def parse_item(self, response):    tr_list = response.xpath('//tr[contains(@class, "Scontent")]').extract()    for content in tr_list:        selector = Selector(text=content)        td_list = selector.xpath('//td/text()').extract()        tv_name = selector.xpath('//td[@align="left"]//a/text()').extract_first()        print(tv_name)        for index, td_item in enumerate(td_list):            td_item = td_item.replace('\t', '').strip()            print(td_item)复制代码

这样，我们就可以打印出来正确的结果了：

### 0x06\_找到URL ###

上面的数据，我们还差一个美剧的URL，这个URL我们分析，是在美剧名字里面：

所以，这里我们用 xpath 定位出来这个标签，然后把数据读取出来就好：

# xpath 取属性用 @+属性名tv_play_url = self.root_url + selector.xpath('//td[@align="left"]//a/@href').extract_first()[1:]复制代码

这里我们发现， xpath 读取 tag 的标签里面某个属性的值，就用 `@属性名` 就可以。

### 0x07\_整合itmem ###

我们最后在把 TtmjTvPlayItem 整合到我们的 parse\_item() 里面：

def parse_item(self, response):    tr_list = response.xpath('//tr[contains(@class, "Scontent")]').extract()    for content in tr_list:        tv_item = TtmjTvPlayItem()        selector = Selector(text=content)        td_list = selector.xpath('//td/text()').extract()        tv_name = selector.xpath('//td[@align="left"]//a/text()').extract_first()        tv_item['tv_play_name'] = tv_name        for index, td_item in enumerate(td_list):            td_item = td_item.replace('\t', '').strip()            if index == 0:                tv_item['tv_play_rank'] = td_item            elif index == 1:                tv_item['tv_play_category'] = td_item            elif index == 2:                tv_item['tv_play_state'] = td_item            elif index == 3:                tv_item['tv_play_update_day'] = td_item            elif index == 4:                tv_item['tv_play_return_date'] = td_item            elif index == 5:                tv_item['tv_play_counting_data'] = td_item        # xpath 取属性用 @+属性名 tv_item['tv_play_url'] = self.root_url + selector.xpath('//td[@align="left"]//a/@href').extract_first()[1:] print(tv_item)复制代码

这样，最后的结果就很完美：

读到这里的同学肯定发现了我们还有几个问题没有解决：

1.  第一页的数据怎么爬取？
2.  封装好的tv\_item改怎么办
3.  。。。。

这些东西都会在下一讲以及之后的文章里面说，我们最后的目的就是建立一个可以通过json文件动态配置的爬虫。别慌，皮爷一点一点的给大家细细的讲解。

这里说一下哈，所有的爬虫代码，我均已发布到网上了，获取方法很简单，关注公号『**皮爷撸码**』，回复『**代码**』即可找到，记住对应的代码编号是『**CS001**』，代码编号是『**CS001**』，代码编号是『**CS001**』。

『**皮爷撸码**』，一个很硬核的公号，如果你能从这里学到知识，皮爷很高兴，很希望你也能够将这份内容分享出去，让更多的人感受到编程的乐趣。

转载于:https://juejin.im/post/5cc029abe51d456e845b422e

[Scrapy_CrawlSpider]: https://link.juejin.im?target=https%3A%2F%2Fmp.weixin.qq.com%2Fs%2Fuo7wNNud2UjTaQmttb82xA