爬虫入门六 总结 资料 与Scrapy实例-bibibili番剧信息

---

title: 爬虫入门六 总结 资料 与Scrapy实例-bibibili番剧信息

date: 2020-03-16 20:00:00

categories: python

tags: crawler

学习资料的补充。

和Scrapy的一个实例 bilibili番剧信息爬取。

1 总结与资料

1.1 基本知识

1、学习Python爬虫基础，安装PyCharm。

2、学习Scrapy框架。

相关官方链接：

Scrapy官网tutorial: https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html

Requests官网文档： http://cn.python-requests.org/zh_CN/latest/

lxml官方文档： http://lxml.de/tutorial.html

python核心模块之pickle和cPickle讲解：http://www.pythonclub.org/modules/pickle

phantomJS进程不自动退出，需要手动添加：driver.quit()，

参考：http://www.jianshu.com/p/9d408e21dc3a

菜鸟教程（Python篇）：https://www.runoob.com/python3/python3-tutorial.html

1.2 Xpath与re

1、学习Scrapy+XPath。

2、学习正则式

3、撰写实验报告1的part1.

相关官方链接：

XPath语法：http://www.w3school.com.cn/xpath/xpath_syntax.asp

Selectors：https://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/selectors.html

2 实例 B站番剧信息爬取

参考： https://www.jianshu.com/p/530acc7b50d1?utm_source=oschina-app

2.1

新建工程。

crapy startproject bilibilianime

2.2 番剧索引

番剧索引链接 https://www.bilibili.com/anime/index/

F12控制台查看

可见相关信息：追番，会员，名称，话数都在

在Pycharm命令行调试Scrapy Xpath能否获取相关信息

scrapy shell "https://www.bilibili.com/anime/index" -s USER_AGENT='Mozilla/5.0'
response.xpath('//*[@class="bangumi-item"]//*[class="bangumi-title"]').extract()

out:[]

返回为空

View(response) 在浏览器查看，没问题

Reponse.text 查看内容，发现并没有相关信息

在浏览器F12，network抓包，xhr选项，右键保存为har到本地搜索。

在har文件查找鬼灭之刃

"text": "{\"code\":0,\"data\":{\"has_next\":1,\"list\":[{\"badge\":\"会员专享\",\"badge_type\":0,\"cover\":\"http://i0.hdslb.com/bfs/bangumi/9d9cd5a6a48428fe2e4b6ed17025707696eab47b.png\",\"index_show\":\"全26话\",\"is_finish\":1,\"link\":\"https://www.bilibili.com/bangumi/play/ss26801\",\"media_id\":22718131,\"order\":\"758万追番\",\"order_type\":\"fav_count\",\"season_id\":26801,\"title\":\"鬼灭之刃\",\"title_icon\":\

向上查找最近的request

"request": {
          "method": "GET",
          "url": "https://api.bilibili.com/pgc/season/index/result?season_version=-1&area=-1&is_finish=-1&copyright=-1&season_status=-1&season_month=-1&year=-1&style_id=-1&order=3&st=1&sort=0&page=1&season_type=1&pagesize=20&type=1",
          "httpVersion": "HTTP/1.1",

浏览器访问

https://api.bilibili.com/pgc/season/index/result?season_version=-1&area=-1&is_finish=-1&copyright=-1&season_status=-1&season_month=-1&year=-1&style_id=-1&order=3&st=1&sort=0&page=1&season_type=1&pagesize=20&type=1

内容如下

{"code":0,"data":{"has_next":1,"list":[{"badge":"会员专享","badge_type":0,"cover":"http://i0.hdslb.com/bfs/bangumi/9d9cd5a6a48428fe2e4b6ed17025707696eab47b.png","index_show":"全26话","is_finish":1,"link":"https://www.bilibili.com/bangumi/play/ss26801","media_id":22718131,"order":"758.1万追番","order_type":"fav_count","season_id":26801,"title":"鬼灭之刃","title_icon":""},{"badge":"会员专享","badge_type":0,"cover":"http://i0.hdslb.com/bfs/bangumi/f5d5f51b941c01f8b90b361b412dc75ecc2608d3.png","index_show":"全14话","is_finish":1,"link":"https://www.bilibili.com/bangumi/play/ss24588","media_id":102392,"order":"660.2万追番","order_type":"fav_count","season_id":24588,"title":"工作细胞","title_icon":""},{"badge":"会员专享",
...
...#略去

可见bilibili番剧索引页面是以api形式获取相关信息。其中sort，page_size..为设置的格式。

sort 0降序排列 1升序排列
order 3 追番人数排列 0更新时间 4最高评分 2播放数量 5开播时间
page 控制返回的Index
pagesize 20为默认，和网页上的一致 不过最多也就25
剩下的属性和网页右侧的筛选栏一致，也能猜出来了。

综上就可以用api获取索引

2.3 番剧详细信息

在上面查鬼灭之刃的时候有一条信息

https://www.bilibili.com/bangumi/play/ss26801","media_id":22718131

media_id为番剧id，而番剧详情页为

https://www.bilibili.com/bangumi/media/md22718131

可见只需要替换后面的id就可以获得每个番剧的详情

在鬼灭之刃的详情页，F12查看信息的节点

比如tags，，在class=media-tags的节点中

再尝试在scrapy shell能否xpath获取

>scrapy shell "https://www.bilibili.com/bangumi/media/md22718131" -s USER_AGENT='Mozilla/5.0'

response.xpath('//*[@class="media-tag"]/text()').extract()

发现可直接获得

In [1]: response.xpath('//*[@class="media-tag"]/text()').extract()
Out[1]: ['漫画改', '战斗', '热血', '声控']

但是，测试发现staff和声优无法直接xpath获取

就Reponse.text查看response

,"staff":"原作：吾峠呼世晴（集英社《周刊少年JUMP》连载）\\n监督：外崎春雄\\n角色设计：松岛晃\\n副角色设计：佐藤美幸、
梶山庸子、菊池美花\\n脚本制作：ufotable\\n概念美术：卫藤功二、矢中胜、竹内香纯、桦泽侑里\\n摄影监督：

"actors":"灶门炭治郎：花江夏树\\n灶门祢豆子：鬼头明里\\n我妻善逸：下野纮\\n嘴平伊之助：松冈祯丞\\n富冈义勇：樱井孝宏\\n鳞泷左近次：大冢芳忠\\n锖兔：
梶裕贵\\n真菰：加隈亚衣\\n不死川玄弥：冈本信彦\\n产屋敷耀哉：森川智之\\n产屋敷辉利哉：悠木碧\\n产屋敷雏衣：井泽诗织\\n钢铁冢萤：浪川大辅\\n鎹鸦：山崎巧\\n佛堂鬼：绿川光\\n手鬼：子安武人",

这些在一串json中。用re提取

比如声优

Import re
Actor=Re.compile(‘actors”:(.*?),’)   #一直到 , 结束
Text=reponse.text
Re.findall(actors,text)

In [17]: actors=re.compile('actors":(.*?),')
In [18]: re.findall(actors,text)
Out[18]: ['"灶门炭治郎：花江夏树\\n灶门祢豆子：鬼头明里\\n我妻善逸：下野纮\\n嘴平伊之助：松冈祯丞\\n富冈义勇：樱井孝宏\\n鳞泷左近次：大冢芳忠\\n锖兔：梶裕贵\\n真菰：加隈亚衣\\n不死川玄弥：冈本信彦\\n产屋敷耀哉：森川智之\\n产屋敷辉利哉
：悠木碧\\n产屋敷雏衣：井泽诗织\\n钢铁冢萤：浪川大辅\\n鎹鸦：山崎巧\\n佛堂鬼：绿川光\\n手鬼：子安武人"']

包括评论、每集的标题等等都可以用re提取

2.4 索引页详细页面的转换处理

API每页包含20个子页面，API中还有这20个番剧的信息，并且需要根据API来判断是否把所有番剧爬完了。

https://blog.csdn.net/u012150179/article/details/34486677

https://www.zhihu.com/question/30201428

参考上述处理：

如何获取http://a.com中的url，同时也获取http://a.com页面中的数据?

可以直接在parse方法中将request和item一起“返回”，并不需要再指定一个parse_item例如：

def parse(self, response):
    #do something
    yield scrapy.Request(url, callback=self.parse)

    #item[key] = value
    yield item

2.5 其他

-o输出注意编码 utf-8，gb18030

2.6 code

settings.py

BOT_NAME = 'bilibilianime'
SPIDER_MODULES = ['bilibilianime.spiders']
NEWSPIDER_MODULE = 'bilibilianime.spiders'
FEED_EXPORT_ENCODING = "gb18030"
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'bilibilianime (+http://www.yourdomain.com)'
# Obey robots.txt rules
ROBOTSTXT_OBEY = True

items.py

import scrapy

class BilibilianimeItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    badge= scrapy.Field()
    badge_type= scrapy.Field()
    is_finish= scrapy.Field()
    media_id= scrapy.Field()
    index_show= scrapy.Field()
    follow= scrapy.Field()
    play= scrapy.Field()
    pub_date= scrapy.Field()
    pub_real_time= scrapy.Field()
    renewal_time= scrapy.Field()
    score= scrapy.Field()
    season_id= scrapy.Field()
    title = scrapy.Field()
    tags= scrapy.Field()
    brief= scrapy.Field()
    cv= scrapy.Field()
    staff= scrapy.Field()
    count= scrapy.Field()
    pass

bilibili.py （spider）

import scrapy
import logging
from scrapy import Request
from bilibilianime.items import BilibilianimeItem
import re
import json
class MySpider(scrapy.Spider):
    name = 'bilibili'
    allowed_domains = ['bilibili.com']
    url_head = 'https://bangumi.bilibili.com/media/web_api/search/result?season_version=-1&area=-1&is_finish=-1&copyright=-1&season_status=-1&season_month=-1&pub_date=-1&style_id=-1&order=3&st=1&sort=0&season_type=1'
    start_urls = [url_head+"&page=1"]

    # 先处理列表中的番剧信息
    def parse(self, response):
        self.log('Main page %s' % response.url,level=logging.INFO)
        data=json.loads(response.text)
        next_index=int(response.url[response.url.rfind("=")-len(response.url)+1:])+1
        if(len(data['result']['data'])>0):
            # 发出Request 处理下一个网址
            next_url = self.url_head+"&page="+str(next_index)
            yield Request(next_url, callback=self.parse)
            medias=data['result']['data']
            for m in medias:
                media_id=m['media_id']
                detail_url='https://www.bilibili.com/bangumi/media/md'+str(media_id)
                yield Request(detail_url,callback=self.parse_detail,meta=m)
    # 再处理每个番剧的详细信息
    def parse_detail(self, response):
        item = BilibilianimeItem()
        item_brief_list=['badge','badge_type','is_finish','media_id','index_show','season_id','title']
        item_order_list=['follow','play','pub_date','pub_real_time','renewal_time','score']
        m=response.meta
        for key in item_brief_list:
            if (key in m):
                item[key]=m[key]
            else:
                item[key]=""
        for key in item_order_list:
            if (key in m['order']):
                item[key]=m['order'][key]
            else:
                item[key]=""
        tags=response.xpath('//*[@class="media-tag"]/text()').extract()
        tags_string=''
        for t in tags:
            tags_string=tags_string+" "+t
        item['tags']=tags_string
        item['brief'] = response.xpath('//*[@name="description"]/attribute::content').extract()
        #detail_text = response.xpath('//script')[4].extract()  这里原来的代码有bug，应该是想缩小搜索区域加速，但是出了问题
        detail_text = response.text
        actor_p = re.compile('actors":(.*?),')
        ratings_count_p = re.compile('count":(.*?),')
        staff_p = re.compile('staff":(.*?),')
        item['cv'] = re.findall(actor_p,detail_text)[0]
        item['staff'] = re.findall(staff_p,detail_text)[0]
        count_list=re.findall(ratings_count_p,detail_text)
        if(len(count_list)>0):
            item['count'] = count_list[0]
        else:
            item['count']=0
#        self.log(item)
        return item

2.7 输出

scrapy crawl bilibili -o bilibilianime.csv

调用api时使用默认参数，所以是按照追番人数排序

结果：

3 其他实例

https://www.cnblogs.com/xinyangsdut/p/7628770.html 腾讯社招

https://blog.csdn.net/u013830811/article/details/45793477 亚马逊.cn

https://github.com/Mrrrrr10/Bilibili_Spider 哔哩哔哩

https://blog.csdn.net/weixin_42471384/article/details/83049336