Question

好吧，我是编程新手，我认为最好的学习方法是编程。我的部分工作包括在IMDB上搜索电影并粘贴导演，作家（前四）演员，以及Excel电子表格中IMDB页面的链接。

我的最终目标是拥有一个包含电影标题和年份的CSV，并让刮刀从CSV中获取这些变量，搜索IMDB，提取数据并将数据导出到新的CSV中。

我已经阅读和研究了大约一个星期。我成功地完成了Scrapy教程，但是我遇到了麻烦，从那里到了理想的目的。

如何将CSV中的值导入我的蜘蛛脚本？我认为它看起来像这样：

name = COLUMN1
year = COLUMN2

class imdb_spider(scrapy.Spider):
  name = "imdb"
  allowed_domains = ["imdb.com"]
  start_urls = [
    "http://www.imdb.com/find?ref_=nv_sr_fn&q=/(name)&(year)"
    ]

我不知道如何从CSV文件中提取。

从那里，我需要蜘蛛跟随页面上的第一个链接（这将是电影名称），然后在后续页面上“看到完整演员和工作人员”链接。

我需要的所有信息都会显示在最后一页：http://www.imdb.com/title/tt0081505/fullcredits?ref_=tt_ov_st_sm

定义提取内容对我来说真是令人费解。

这是我用萤火虫拉的东西：

导演：

<td class="name">
<a href="/name/nm0000040/?ref_=ttfc_fc_dr1"> Stanley Kubrick </a>
</td>

作家：

<td class="name">
<a href="/name/nm0000040/?ref_=ttfc_fc_wr2"> Stanley Kubrick </a>
</td>

演员（如果可能，只需要前四个）：

<td class="itemprop" itemtype="http://schema.org/Person" itemscope="" itemprop="actor">
<td class="ellipsis"> ... </td>

我不确定如何定义页面链接本身。

之后，我只需将其循环到整个列表中并使用数据保存新的CSV。

我知道这是一个激烈的问题，我不是要求任何人为我编码。如果我知道在哪里看/如何解决这个问题，我愿意投入工作。我正在阅读Scrapy文档，但目前还不清楚。

如果有比Python和Scrapy明显更好的方法，请告诉我。

感谢。

编辑：Mac OS x 10.10.1，Python 2.7，Scrapy 0.24.4，要编辑的TextWrangler

Answer 1

csv模块非常方便，对于具有不规则/空字段的制表符分隔文件也很有用。（导入csv）

    with open('something_something_darkside.txt', 'rb') as f:
        data = list(csv.reader(f,delimiter='\t'))
        for row in data:

就网页而言，我找到了使用Beautiful Soup将html转换为xml的方法，并使用xml解析器来提取我需要的内容。这些方法可能已经过时但仍然可靠。

使用Python和Scrapy的IMDB Scraper

1 个答案: