scrapy爬取阳光电影网全站资源

说一下我的爬取过程吧

第一步: 当然是 scrapy startproject  + 名字   新建爬虫项目

第二步:  scrapy genspider -t crawl +爬虫名字+ 所爬取网站的域名      (-t crawl是全站爬虫)

第三步:

spider文件下的代码
import scrapy
import re
from scrapy.linkextractors import LinkExtractor  # 链接提取器
from scrapy.spiders import CrawlSpider, Rule  # 导入全站爬虫和采集规则


class Ygdy8Spider(CrawlSpider):
    name = 'ygdy8'  # 爬虫名字
    allowed_domains = ['www.ygdy8.com']  # 爬虫只在该域名下爬取数据
    start_urls = ['http://www.ygdy8.com/']  # 开始采集的网址
    # 采集规则集合
    rules = (
        # 具体采集的规则
        # allow 是选择出所有带有index的网址 allow是正则表达式 只要写你想提取的链接的一部分就可以了, deny是不允许提取的
        Rule(LinkExtractor(allow=r'index.html', deny='game')),
        # follow=true 意思是下一次提取的网页中如果包含我们需要提取的信息,是否还要继续提取,True代表继续提取
        Rule(LinkExtractor(allow=r'list_d+_d+.html'), follow=True),
        # 提取详情页信息 callback 回调函数, 将相应交给这个函数来处理
        Rule(LinkExtractor(allow=r'/d+/d+.html'), follow=True, callback='parse_item'),
    )
    
    # 解析采集回来的数据
    def parse_item(self, response):
        
        # 处理网页数据,提取下载链接
        # .*?代表提取除了换行以外的任何信息
        ftp_url = re.findall(r'<a href="(.*?)">ftp', response.text)
        name = re.findall(r'<title>(.*?)</title>', response.text)
        if ftp_url and name:
            items = {
                'name': name,
                'ftp_url': ftp_url
            }
        yield items

管道文件
import json
import os
import csv

class JsonPipeline(object):
    def __init__(self):
        self.file = open('阳光电影.json', 'w+', encoding='utf-8')
    
    def open_spider(self, spider):
        self.file.write('[')
    
    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + ",
"
        self.file.write(line)
        return item
    
    def close_spider(self, spider):
        self.file.seek(-1, os.SEEK_END)
        self.file.truncate()
        self.file.write(']')
        self.file.close()
        

class CsvPipeline(object):
    def __init__(self):
        self.f = open("阳光电影.csv", "w", newline='')
        self.writer = csv.writer(self.f)
        self.writer.writerow(['name', 'ftp_url'])

    def process_item(self, item, spider):
        yangguang_list = [item['name'], item['ftp_url']]
        self.writer.writerow(yangguang_list)
        return item

settings
ITEM_PIPELINES = {
   'movie.pipelines.JsonPipeline': 300,
   'movie.pipelines.CsvPipeline': 300,
}

 最后执行爬虫代码  scrapy crawl + 爬虫名字