因此Python分析豆瓣电影TOP250Python爬虫学习(十六)初窥Scrapy

既是要分析豆瓣电影TOP250,

Python爬虫学习(一)概述
Python爬虫学习(二)urllib基础运用
Python爬虫学习(三)urllib进阶使用
Python爬虫学习(四)正则表达式
Python爬虫学习(五)爬取电影排行榜及其图片
Python爬虫学习(六)BeautifulSoup来袭
Python爬虫学习(七)爬取淘女郎
Python爬虫学习(八)爬取知乎关注用户

那自然将把相关的数量收集下来,比如排名、电影叫、导演、主演等信息。

Python爬虫学习(九)Requests库初探
Python爬虫学习(十)Requests库探探
Python爬虫学习(十一)使用Request爬取猫眼电影排名
Python爬虫学习(十二)selenium来了
Python爬虫学习(十三)使用selenium爬取淘宝商品

那就算必然使一下爬虫咯,如果还未会见之言辞,欢迎看之前的稿子:

Python爬虫学习(十四)美女写真学图(一)
Python爬虫学习(十五)美女写真学图(二)

Python爬虫学习(一)概述
Python爬虫学习(二)urllib基础运用
Python爬虫学习(三)urllib进阶使用
Python爬虫学习(四)正则表达式
Python爬虫学习(五)爬取电影排行榜及其图片
Python爬虫学习(六)BeautifulSoup来袭
Python爬虫学习(七)爬取淘女郎
Python爬虫学习(八)爬取知乎关注用户

此Scrapy篇第一拨,那咱们就先品尝尝鲜,写一个多少品种。关于Scrapy的安装,请参考:

Python爬虫学习(九)Requests库初探
Python爬虫学习(十)Requests库探探
Python爬虫学习(十一)使用Request爬取猫眼电影排名
Python爬虫学习(十二)selenium来了
Python爬虫学习(十三)使用selenium爬取淘宝商品

如何在Windows下安装Scrapy
Installation
guide

Python爬虫学习(十四)美女写真学图(一)
Python爬虫学习(十五)美女写真学图(二)

咱们任重而道远是错开抓取:http://quotes.toscrape.com/,这个网站遭遇之名人名言,下面开始表演:

当然,你吧得采用豆瓣提供的API接口:https://developers.douban.com/wiki/?title=movie\_v2,提供的数量较完好:

开创一个工

在咱们开爬取之前,需要新建一个Scrapy工程。我们得以先行上其他一个若想存代码的目录,运行命令:scrapy startproject quotetutorial

始建工程

运转成功后,Scrapy将会见于当前目录下活动创建一个称为吧quotetutorial的文本夹,包括如下的布局:

quotetutorial/
    scrapy.cfg            # deploy configuration file

    quotetutorial/             # project's Python module, you'll import your code from here
        __init__.py

        items.py          # project items definition file

        pipelines.py      # project pipelines file

        settings.py       # project settings file

        spiders/          # a directory where you'll later put your spiders
            __init__.py

试试了下,这应当是遥远事先的音讯了,现在调用API返回的数量稍已经远非了,而且产生调用次数限制,还是好写爬虫采集信息吧,就当练练手!

第一个Spider

Spider是一个咱们当Scrapy用来爬取网页抓取信息之类似(统称为Spider),它必须连续scrapy.Spider,并且定义有术与性才会以需要工作。比如,提取哪些消息,请求什么网址等等。

我们可以进来前的quotetutorial目录中,运行命令:scrapy genspider quotes quotes.toscrape.com,Scrapy按照指令帮咱形容好了一个Spider,在子目录spider中可找到一个名也quotes.py的文书,打开查看:

Spider代码

咱拿代码改写如下:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

假设你所展现,我们的Spider继承了scrapy.Spider,并且定义了一部分性质和措施。

  • name:标识了此Spider。在一个品类中,每个Spider的名字务必是独一无二的。
  • start_requests():必须返回一个只是迭代对象,比如一个要的列表或一个生成函数,Scrapy就是自从当时规定于哪起爬取的。
  • parse():我们于此方法吃拍卖发出请求后归来的应,响应是TextResponse的实例。我们在是办法中取所用之信息,或者找到下一个进展爬取的链接。

只要未思量这样麻烦,也提供采集的数:https://pan.baidu.com/s/1pMAUr6V

运行爬虫

怎么样运作刚才咱们已经勾勒好之斯小型爬虫呢?

咱们好于quotetutorial目录下,运行命令:scrapy crawl quotes,这漫长命令将见面运行刚刚我们写好之名叫吧quotes的爬虫,Scrapy会“机智地”帮咱发送请求!

运转结果

得视,图备受发出好多产生因此地信息,比如要了不怎么次,请求许节数等等。

查看quotetutorail目录:

大多矣片只文件,正而代码所示!

最终,“恬不知耻”地打只广告,在Github上垒了一个爬虫学习类,目前尚没有写了,感兴趣地同学可以去瞅瞅。地址如下:https://github.com/viljw/PythonSpider

以上。

下面就从头lovebet官网展开小的剖析啦,

先是,导入要因此到的管和数据:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('douban.csv')

翻看转:

df.head()

df.tail()

说好的TOP250为?这就要吐槽一下豆电影TOP250了,有些链接已没有因此了,竟然从未创新,比如说排名20之熔炉。

咱深受其以豆瓣评分排序,并查看排名前五之影视:

df.sort_values('豆瓣评分',ascending=False).head()

如豆瓣评分超过9.5底,原来只发生三三两两管辖:

df[df['豆瓣评分']>9.5]

上榜次数最多之导演等:

df['导演'].value_counts()

重新多分析,请参考:http://blog.csdn.net/yifei301/article/details/77529840?locationNum=3&fps=1

敏感如你,肯定开的比我再好!

小弟先行一步,补片去了……

以上。