IMDB Scraper 使用 Python 和 Scrapy

Question

好的，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，然后在 Excel 电子表格中粘贴导演、编剧、（前四名）演员以及 IMDB 页面的链接。

我的最终目标是创建一个包含电影标题和年份的 CSV，并让抓取工具从 CSV 中获取这些变量，搜索 IMDB，提取数据，然后将数据导出到新的 CSV 中。

---

我已经阅读和研究了大约一个星期。我已经成功完成了 Scrapy 教程，但是我无法从那里到达预期的终点。

• 如何将 CSV 中的值导入蜘蛛脚本？我想它看起来像这样：

  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)"
      ]
  

我不确定如何从 CSV 文件中提取数据。

---

• 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），然后是后续页面上的“查看完整的演员和工作人员”链接。

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

---

• 定义要提取的内容让我非常困惑。

这是我用萤火虫拉的：

导演：

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

作者：

<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，我只需要将它循环到整个列表并保存一个包含数据的新 CSV。

我知道这是一个激烈的问题，我不会要求任何人为我编写代码。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，但仍不清楚。

如果有比 Python 和 Scrapy 明显更好的方法，请告诉我。

谢谢。

编辑：Mac OS x 10.10.1、Python 2.7、Scrapy 0.24.4、TextWrangler 进行编辑

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。