爬虫毕设（三）：爬取动态网页

动态网页分析

按照上一篇的分析，直接使用XPath找到该标签，然后通过parse提取出数据，在写入到item中就完事了。但是，当信心满满的写完代码后却发现，控制台输入了一个简简单单的[]。

小问号你是否有很多朋友。

一顿操作猛如虎，一看输出数据无。那么这到底是怎么回事呢？我们从头开始分析。

打开NetWork，找到tv/，点开Preview，结果发现只有一个框架，内容却是空白的。

这是由于网页执行js代码，通过Ajax请求数据来重新渲染页面的。所以我们需要找到有数据的那一个请求，然后再对该请求的目标url爬取。

可以在preview中看到这就是我们想要的数据。我们再找到该请求的header，找到Request URL。

我们直接复制链接到地址栏中，看到我们想要的数据，这熟悉的格式，不就是json吗。

动手撸代码，爬取这个网页，处理json数据，拿到自己想要的数据。

class tvSpider(scrapy.Spider):
   name = "douban_tv"
   allowed_domain = ["movie.douban.com"]

   def __init__(self, *args, **kwargs):
       super(tvSpider, self).__init__(*args, **kwargs)
       self.start_urls = ["https://movie.douban.com/j/search_subjects?type=tv&tag=热门&sort=recommend&page_limit=20&page_start=0"]

   def parse(self, response):
       results = json.loads(response.body)['subjects']
       for result in results:
           tv_item = TvListItem()
           url = result['url']

           tv_item['url'] = url.strip()
           print(url)

这次我们的思路是先拿到每部电视剧的url，然后再回调二次解析的函数获取详细信息。运行爬虫，可以看到我们已经得到了自己想要的结果。

接下在就迭代使用scrapy.Request()请求每一个url，再使用二次解析函数parse_detait获取详细数据。

two years later。经过漫长的debug，终于得到以下代码代码：

  def parse_detail(self, response):
       tv_item = response.meta['tv_item']
       result = Selector(response)

       # 字符串前加u表示处理中文字符

       # 剧名
       title = result.xpath(u'//div[@id="content"]/h1/span[1]/text()').extract()[0] + result.xpath('//div[@id="content"]/h1/span[2]/text()').extract()[0]

       # 又名
       has_alias = result.xpath(u'//div[@id="info"]//span[text()="又名:"]').extract()
       if has_alias:
           alias = result.xpath(u'//div[@id="info"]//span[text()="又名:"]/following::text()[1]').extract()[0]
       else:
           alias = ''

       # 图片
       tv_img = result.xpath('//a[@class="nbgnbg"]/img/@src').extract()[0]

       # 导演
       has_dir = result.xpath('//div[@id="content"]//span[text()="导演"]')
       if has_dir:
           directors = result.xpath('//div[@id="info"]//span[@class="attrs"]//a[@rel="v:directedBy"]/text()')
           director_lsit = directors.extract()
           director = '/'.join(director_lsit)

       # 主演
       all_actors = result.xpath('//div[@id="info"]//span[@class="attrs"]//a[@rel="v:starring"]/text()')
       actors_list = all_actors[:5].extract()
       actors = '/'.join(actors_list)

       # 类型
       tv_types = result.xpath('//div[@id="info"]//span[@property="v:genre"]/text()')
       type_list = tv_types.extract()
       tv_type = '/'.join(type_list)

       # 制片地区或国家
       country_or_region = result.xpath(u'//div[@id="info"]//span[text()="制片国家/地区:"]/following::text()[1]').extract()[0]

       # 首播
       first_time = result.xpath('//div[@id="content"]//span[@property="v:initialReleaseDate"]/text()').extract()[0]

       # 集数
       series = result.xpath(u'//div[@id="content"]//span[text()="集数:"]/following::text()[1]').extract()[0]

       # 单集
       has_single = result.xpath('//div[@id="content"]//span[text()="单集片长:"]')
       if has_single:
           single = result.xpath(u'//div[@id="content"]//span[text()="单集片长:"]/following::text()[1]').extract()[0]

       # 评分
       rate = result.xpath('//strong/text()').extract()[0]

       # 评分人数
       votes_num = result.xpath('//span[@property="v:votes"]/text()').extract()[0]

       # 简介
       synopsis = result.xpath('//span[@property="v:summary"]/text()').extract()[0].strip()

       tv_item['title'] = title.strip()
       tv_item['alias'] = alias.split()
       tv_item['tv_img'] = tv_img.strip()
       tv_item['director'] = director.strip()
       tv_item['actors'] = actors.strip()
       tv_item['tv_type'] = tv_type.strip()
       tv_item['country_or_region'] = country_or_region.strip()
       tv_item['first_time'] = first_time.strip()
       tv_item['series'] = series.strip()
       tv_item['single'] = single.strip()
       tv_item['rate'] = rate.strip()
       tv_item['votes_num'] = votes_num.strip()
       tv_item['synopsis'] = synopsis

       print('电视剧信息>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>')
       print('剧名：' + title)
       print('又名：' + alias)
       print('海报：' + tv_img)
       print('导演：' + director)    
       print('主演：' + actors)      
       print('类型：' + tv_type)    
       print('制片国家或地区：' + country_or_region)
       print('首播：' + first_time)
       print('集数：' + series)
       print('单集时长：' + single)
       print('评分：' + rate)
       print('评分人数：' + votes_num)
       print('简介：' + synopsis)

然后整整二十部电视剧的简介疯狂刷屏：

虽然经历了一番腰酸背痛，头眼昏花，问题好歹是解决了。

本文由哈喽比特于4年以前收录，如有侵权请联系我们。
文章来源：https://mp.weixin.qq.com/s/5FZ9LJeribBjXacd8GufPw