前言
本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理
基本開發環境
相關模塊的使用
安裝Python并添加到環境變量，pip安裝需要的相關模塊即可。
爬蟲基本思路
一、明確需求
爬取豆瓣Top250排行電影信息
- 電影名字
- 導演、主演
- 年份、國家、類型
- 評分、評價人數
- 電影簡介
二、發送請求
Python中的大量開源的模塊使得編碼變的特別簡單，我們寫爬蟲第一個要了解的模塊就是requests。
請求url地址，使用get請求，添加headers請求頭，模擬瀏覽器請求，網頁會給你返回response對象
# 模擬瀏覽器發送請求
import requests
url = 'https://movie.douban.com/top250'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response)
200是狀態碼，表示請求成功
2xx （成功）
3xx （重定向）
4xx（請求錯誤）
5xx（服務器錯誤）
常見狀態碼
- 200 - 服務器成功返回網頁，客戶端請求已成功。
- 302 - 對象臨時移動。服務器目前從不同位置的網頁響應請求，但請求者應繼續使用原有位置來進行以后的請求。
- 304 - 屬于重定向。自上次請求后，請求的網頁未修改過。服務器返回此響應時，不會返回網頁內容。
- 401 - 未授權。請求要求身份驗證。 對于需要登錄的網頁，服務器可能返回此響應。
- 404 - 未找到。服務器找不到請求的網頁。
- 503 （服務不可用） 服務器目前無法使用（由于超載或停機維護）。
通常，這只是暫時狀態。
三、獲取數據
import requests
url = 'https://movie.douban.com/top250'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response.text)
requests.get(url=url, headers=headers) 請求網頁返回的是response對象
response.text： 獲取網頁文本數據
response.json： 獲取網頁json數據
這兩個是用的最多的，當然還有其他的
apparent_encoding cookies history
iter_lines ok close
elapsed is_permanent_redirect json
raise_for_status connection encoding
is_redirect links raw
content headers iter_content
next reason url
四、解析數據
常用解析數據方法： 正則表達式、css選擇器、xpath、lxml…
常用解析模塊：bs4、parsel…
我們使用的是 parsel 無論是在之前的文章，還是說之后的爬蟲系列文章，我都會使用 parsel 這個解析庫，無它就是覺得它比bs4香。
parsel 是第三方模塊，pip install parsel 安裝即可
parsel 可以使用 css、xpath、re解析方法
所有的電影信息都包含在 li 標簽當中。
# 把 response.text 文本數據轉換成 selector 對象
selector = parsel.Selector(response.text)
# 獲取所有li標簽
lis = selector.css('.grid_view li')
# 遍歷出每個li標簽內容
for li in lis:
# 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數據 get()輸出形式是 字符串獲取一個 getall() 輸出形式是列表獲取所有
title = li.css('.hd a span:nth-child(1)::text').get() # get()輸出形式是 字符串
movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 輸出形式是列表
star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美國', '犯罪 劇情']
movie_time = movie_info[0] # 電影上映時間
movie_country = movie_info[1] # 哪個國家的電影
movie_type = movie_info[2] # 什么類型的電影
rating_num = li.css('.rating_num::text').get() # 電影評分
people = li.css('.star span:nth-child(4)::text').get() # 評價人數
summary = li.css('.inq::text').get() # 一句話概述
dit = {
'電影名字': title,
'參演人員': star,
'上映時間': movie_time,
'拍攝國家': movie_country,
'電影類型': movie_type,
'電影評分': rating_num,
'評價人數': people,
'電影概述': summary,
}
# pprint 格式化輸出模塊
pprint.pprint(dit)
以上的知識點使用到了
- parsel 解析模塊的方法
- for 循環
- css 選擇器
- 字典的創建
- 列表取值
- 字符串的方法：分割、替換等
- pprint 格式化輸出模塊
所以扎實基礎是很有必要的。不然你連代碼都不知道為什么要這樣寫。
五、保存數據（數據持久化）
常用的保存數據方法 with open
像豆瓣電影信息這樣的數據，保存到Excel表格里面會更好。
所以需要使用到 csv 模塊
# csv模塊保存數據到Excel
f = open('豆瓣電影數據.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
'電影評分', '評價人數', '電影概述'])
csv_writer.writeheader() # 寫入表頭
這就是爬取了數據保存到本地了。這只是一頁的數據，爬取數據肯定不只是爬取一頁數據。想要實現多頁數據爬取，就要分析網頁數據的url地址變化規律。
可以清楚看到每頁url地址是 25 遞增的，使用for循環實現翻頁操作
for page in range(0, 251, 25):
url = f'https://movie.douban.com/top250?start={page}filter='
完整實現代碼
""""""
import pprint
import requests
import parsel
import csv
'''
1、明確需求:
爬取豆瓣Top250排行電影信息
電影名字
導演、主演
年份、國家、類型
評分、評價人數
電影簡介
'''
# csv模塊保存數據到Excel
f = open('豆瓣電影數據.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
'電影評分', '評價人數', '電影概述'])
csv_writer.writeheader() # 寫入表頭
# 模擬瀏覽器發送請求
for page in range(0, 251, 25):
url = f'https://movie.douban.com/top250?start={page}filter='
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 把 response.text 文本數據轉換成 selector 對象
selector = parsel.Selector(response.text)
# 獲取所有li標簽
lis = selector.css('.grid_view li')
# 遍歷出每個li標簽內容
for li in lis:
# 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數據 get()輸出形式是 字符串獲取一個 getall() 輸出形式是列表獲取所有
title = li.css('.hd a span:nth-child(1)::text').get() # get()輸出形式是 字符串
movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 輸出形式是列表
star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美國', '犯罪 劇情']
movie_time = movie_info[0] # 電影上映時間
movie_country = movie_info[1] # 哪個國家的電影
movie_type = movie_info[2] # 什么類型的電影
rating_num = li.css('.rating_num::text').get() # 電影評分
people = li.css('.star span:nth-child(4)::text').get() # 評價人數
summary = li.css('.inq::text').get() # 一句話概述
dit = {
'電影名字': title,
'參演人員': star,
'上映時間': movie_time,
'拍攝國家': movie_country,
'電影類型': movie_type,
'電影評分': rating_num,
'評價人數': people,
'電影概述': summary,
}
pprint.pprint(dit)
csv_writer.writerow(dit)
實現效果
到此這篇關于Python爬蟲入門教程01之爬取豆瓣Top電影的文章就介紹到這了,更多相關Python爬取豆瓣Top電影內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python爬蟲獲取豆瓣電影并寫入excel
- Python爬蟲實現的根據分類爬取豆瓣電影信息功能示例
- python爬蟲豆瓣網的模擬登錄實現
- Python爬蟲——爬取豆瓣電影Top250代碼實例
- 一個簡單的python爬蟲程序 爬取豆瓣熱度Top100以內的電影信息
- Python爬蟲實戰：分析《戰狼2》豆瓣影評
- Python制作豆瓣圖片的爬蟲
- 實踐Python的爬蟲框架Scrapy來抓取豆瓣電影TOP250
- 編寫Python爬蟲抓取豆瓣電影TOP100及用戶頭像的方法
- python 開心網和豆瓣日記爬取的小爬蟲
