2017.07.26 Python网络爬虫之Scrapy爬虫实战之今日影视

1.创建项目：前提是在环境变量中添加了:

可以运行命令scrapy：

（1）.scrapy startproject  todayMovie        

（2）.scrapy genspider wuHanMovieSpider jycinema.com（搜索域）

 

创建scrapy项目后的文件目录结构是：

 

 

2.Scrapy文件介绍：

scrapy.cfg文件的意义：

 

第三层todayMovie模块文件夹下的文件说明：

 

在本次项目中需要修改的只有4个文件，分别是：items.py，settings.py，pipelines.py和HQUMovieSpider.py

items.py：决定爬取哪些项目

HQUMovieSpider.py：决定怎么爬取

settings.py：决定由谁去处理爬取的内容

pipelines.py：决定爬取后的内容怎么处理

 

3.Scrapy爬虫编写：

（1）选择爬取的项目items.py：修改items.py文件

 

 （2）定义怎么爬取HQUMovieSpider.py:

 

# -*- coding: utf-8 -*-
import scrapy
from todayMovie.items import TodaymovieItem

class HqumoviespiderSpider(scrapy.Spider):
    name = 'HQUMovieSpider'
    allowed_domains = ['jycinema.com']
    start_urls = ['http://www.jycinema.com/html/default/film-detail.html?id=1125']

    def parse(self, response):
        subSelector=response.xpath('//div[@class="col-6 pr10"]')  #嵌套选择
        items=[]
        for sub in subSelector:
            item=TodaymovieItem()
            item['movieName']=sub.css('./div/label[id="filmName"]/text()').extract()
            items.append(item)

        return items

 

 

 

 

选择器的选择到底对不对？验证一下，在该项目的任意一级目录下执行：

scrapy shell http://www.jycinema.com/html/default/film-detail.html?id=1125

发现报错：

这是因为Python没有自带访问windows系统API的库的，需要下载第三方库。库的名称叫pywin32，可以从网上直接下载

下载链接：http://sourceforge.net/projects/pywin32/files%2Fpywin32/   （下载适合你的Python版本）

 

然后在cmd运行（因为我之前就配置过环境变量为F:\Python\Scripts）所以可以直接在cmd下运行easy_install命令：

问题解决！！！

 

（3）继续测试选择器的选择是否正确，在该项目任意的一级目录下执行命令：scrapy shell http://www.jycinema.com/html/default/film-detail.html?id=1125

测试发现选择器选择失败！！

 

换了其他路径发现，返回是空的列表，貌似这个数据是JS动态加载的，所以获取不到：（其实是ajax动态页面）

FormData类型其实是在XMLHttpRequest 2级定义的，它是为序列化表以及创建与表单格式相同的数据（当然是用于XHR传输）提供便利。

XMLHttpRequest Level 2添加了一个新的接口FormData.利用FormData对象,我们可以通过JavaScript用一些键值对来模拟一系列表单控件,我们还可以使用XMLHttpRequest的send()方法来异步的提交这个"表单".比起普通的ajax,使用FormData的最大优点就是我们可以异步上传一个二进制文件. 

 

 

 

打开谷歌浏览器，按F12打开Network界面，查看web和后端做了哪些交互， 参数和数据都在Network中可以看到：

 关于Scrapy抓取动态页面数据的方法，在下一篇文章中介绍吧。哎，我也很无奈啊