scrapy初探（一）-斗鱼直播信息抓取

由于有相关需求，最近两天开始学了一下scrapy

这次我们就以爬取斗鱼直播间为例，我们准备爬取斗鱼所有的在线直播信息，

包括1.主播昵称 2.直播领域 3.所在页面数 4.直播观看人数 5.直播间url

开始准备爬取的页面如图

url为：https://www.douyu.com/directory/all

但实际经过查看发现翻页是由ajax响应的，实际的ajax页面为：

https://www.douyu.com/directory/all?page=1&isAjax=1

其中page即为页面数

我们所需要的信息也在页面中，所以直接爬取该页面即可，但是由于没有想到什么特别好的方法判断是否是最后一页，这里我们手动输入

先编辑items.py

class ProjectItem(scrapy.Item):
    title=scrapy.Field()
    user=scrapy.Field()
    num=scrapy.Field()
    area=scrapy.Field()
    zhibojian=scrapy.Field()
    index=scrapy.Field()

接着编写spider.py，其中思路比较简单，回调函数即为parse本身

def handlenum(char):
    if u‘万‘ in char[0]:
        char[0] = str(float(char[0].replace(u‘万‘, ‘‘)) * 10000)
    return char

class newspider(scrapy.Spider):
    name=‘ajax‘
    allowed_domains = ["www.douyu.com", ‘douyucdn.cn‘]
    start_urls = ["https://www.douyu.com/directory/all?page=1&isAjax=1"]
    box=[]

    def parse(self, response):
        global index,box
        selector=Selector(response)
        for sel in selector.xpath(‘/html/body/li‘):
            item=ProjectItem()
            item[‘title‘]=sel.xpath(‘a/@title‘).extract()
            item[‘user‘]=sel.xpath(‘a/div/p/span[1]/text()‘).extract()
            num=sel.xpath(‘a/div/p/span[2]/text()‘).extract()
            item[‘num‘] =handlenum(num)
            item[‘area‘]=sel.xpath(‘a/div/div/span/text()‘).extract()
            item[‘zhibojian‘]=sel.xpath(‘a/@href‘).extract()
            item[‘index‘]=index
            yield item
        if index is 80:
            return
        else:
            index+=1
            nexturl=‘https://www.douyu.com/directory/all?page=%s&isAjax=1‘%str(index)
            yield scrapy.Request(nexturl,callback=self.parse)

最后设置setting.py，这里我们使用csv格式来保存

FEED_URI=u‘file:///C:/Users/tLOMO/Desktop/one.csv‘
FEED_FORMAT=‘CSV‘

最后运行即可得到one.csv

进过统计，我程序跑的时候，所有观看直播的人数为18290373，这个数字可信度我也搞不清啊，简单看了一下，所有的直播中直播王者荣耀和英雄联盟的是最多的