# 猫眼爬虫文档
## 需求
1. 采集各个城市所有热映电影
![image-20221203171523466](assets/image-20221203171523466.png)
2. 采集电影详情
1. 电影院信息
![image-20221203165725007](assets/image-20221203165725007.png)
2. 场次信息
![image-20221203165705901](assets/image-20221203165705901.png)
3. 电影详情
![image-20221203171216901](assets/image-20221203171216901.png)
3. 采集开播前五分钟的客座率
![image-20221203171216901](assets/image-20221203171216901.png)
## 调研
滑块:
https://verify.maoyan.com/verify?requestCode=f4ef8ec12328bebe8ac87f36a572c8f2qybqy&redirectURL=https%3A%2F%2Fmaoyan.com%2Fcinema%2F15082%3FmovieId%3D1337700%26poi%3D97314976
破解滑块可解封ip,爬虫无需携带cookie
## 数据库设计
1. maoyan_cinema_list: 影院列表
2. maoyan_city: 城市列表
3. maoyan_film_detail: 电影详情
4. maoyan_film_detail_batch_record:电影详情采集记录
5. maoyan_film_detail_snapshot_task:电影开播前5分钟采集任务
6. maoyan_film_detail_task:电影详情采集任务
7. maoyan_hot_movie_list:热门电影列表
8. maoyan_hot_movie_list_task:热门电影任务
## 爬虫逻辑
1. 读取 maoyan_hot_movie_list_task 任务表,采集热门电影(maoyan_hot_movie_list),同时生产 电影详情采集任务(maoyan_film_detail_task);采集频率:每天一次;城市在任务表中配置
# 下发任务给爬虫
python main.py --crawl_hot_films 1
# 采集
python main.py --crawl_hot_films 2
2. 读取 maoyan_film_detail_task 采集电影详情(maoyan_film_detail),同时生产电影开播前5分钟采集任务(maoyan_film_detail_snapshot_task);采集频率:只采一次;品牌可在setting中的BRAND_IDS指定
# 下发任务给爬虫
python main.py --crawl_film_detail 1
# 采集
python main.py --crawl_film_detail 2
3. 启动个常驻的爬虫,做开播前五分钟的任务,采集电影详情,更新详情表;采集频率,开播前5分钟采集一次
# 下发任务给爬虫
python main.py --crawl_film_detail_snapshot 1
# 采集
python main.py --crawl_film_detail_snapshot 2
4. 启动滑块破解服务,解封被封掉的ip
python main.py --fuck_captcha
5. 城市id采集(采集一次即可,作为 maoyan_hot_movie_list_task 里的种子任务)
python main.py --crawl_city
# 部署
1. 安装python3.7、mysql、redis
2. 安装依赖包 pip3 install -r requirements.txt
3. 修改配置文件 setting.py,配置mysql及redis
4. 使用maoyan.sql 创建表
5. 按照上面的爬虫逻辑,启动爬虫
可以使用feaplat部署:
![](assets/16324776338950.jpg)
feaplat文档地址:https://boris-code.gitee.io/feapder/#/feapder_platform/%E7%88%AC%E8%99%AB%E7%AE%A1%E7%90%86%E7%B3%BB%E7%BB%9F
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
资源推荐
资源详情
资源评论
收起资源包目录
使用feapder爬虫框架开发的爬虫示例.zip (69个子文件)
SJT-code
lagou-spider
main.py 1KB
items
__init__.py 102B
lagou_job_detail_task_item.py 462B
lagou_job_detail_item.py 473B
lagou_job_list_item.py 513B
spiders
__init__.py 52B
list_spider.py 1KB
detail_spider.py 2KB
setting.py 3KB
maoyan-spider
maoyan.sql 77KB
assets
image-20221203165705901.png 147KB
image-20221203165725007.png 192KB
image-20221203171523466.png 1.83MB
image-20221203171216901.png 486KB
16324776338950.jpg 585KB
fuck_captcha
fuck_captcha_service.py 4KB
main.py 4KB
utils
track.py 3KB
slider.py 12KB
items
maoyan_hot_movie_list_task_item.py 527B
maoyan_film_detail_task_item.py 620B
__init__.py 252B
maoyan_film_detail_snapshot_task_item.py 676B
maoyan_film_detail_item.py 2KB
maoyan_hot_movie_list_item.py 767B
maoyan_city_item.py 388B
maoyan_cinema_list_item.py 512B
spiders
hot_films_spider.py 4KB
__init__.py 116B
film_detail_spider.py 6KB
film_detail_snapshot_spider.py 3KB
city_spider.py 1011B
images
bg_3d223e02a51e5259c58e9dafdea31520.png 22KB
slider_af532b5f6a1d1e3b426e0ba47ad5ed62.png 7KB
setting.py 6KB
requirements.txt 76B
README.md 3KB
test_speed
feapder_speed.py 632B
test_scrapy
scrapy.cfg 265B
test_scrapy
__init__.py 0B
pipelines.py 291B
spiders
__init__.py 161B
baidu.py 369B
add_task.py 305B
items.py 279B
settings.py 5KB
middlewares.py 4KB
README.md 1KB
zw-journal-spider
main.py 1KB
items
__init__.py 42B
zx_journal_detail_item.py 563B
spiders
__init__.py 34B
journal_spider.py 2KB
setting.py 3KB
README.md 1KB
baidu-spider
main.py 737B
items
__init__.py 60B
baidu_list_item.py 380B
baidu_detail_item.py 385B
spiders
__init__.py 44B
baidu_spider.py 2KB
baidu_spider2.py 2KB
setting.py 5KB
CHECK_DATA.md 2KB
README.md 81B
requirements.txt 29B
.gitignore 148B
test-session
session_by_feapder.py 1KB
session_by_requests.py 529B
共 69 条
- 1
资源评论
JJJ69
- 粉丝: 6223
- 资源: 5780
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- ModStartCMS v8.4.0 框架稳定性持续迭代,修复部分已知问题
- bleder 教室学校学生教育室办公室考试
- 人脸检测-使用OpenCV实现的动漫+漫画人脸检测算法-附项目源码-优质项目实战.zip
- 道路贴图,材质材料免费
- 人脸检测-基于OpenCV+Node.js+WebSockets实现的实时人脸检测应用-附项目源码-优质项目实战.zip
- 一些常见的MySQL死锁案例-mysql-deadlocks-master(源代码+案例+图解说明)
- UE4动画烘焙器-ue4.27
- 新建文件夹.zip
- 1103a2a791bbd96ea98021062e327495b1c422e32fb27e0c2d6404b1bd74b692.gif
- 同城相亲交友php小程序
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功