Python怎么爬取豆瓣电影排行信息
这篇文章主要讲解了“Python怎么爬取豆瓣电影排行信息”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“Python怎么爬取豆瓣电影排行信息”吧!
创新互联建站专注为客户提供全方位的互联网综合服务,包含不限于成都网站设计、成都做网站、纳溪网络推广、微信小程序开发、纳溪网络营销、纳溪企业策划、纳溪品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等,从售前售中售后,我们都将竭诚为您服务,您的肯定,是我们最大的嘉奖;创新互联建站为所有大学生创业者提供纳溪建站搭建服务,24小时服务热线:18980820575,官方网址:www.cdcxhl.com
基本开发环境
Python 3.6
Pycharm
相关模块的使用
requests
parsel
csv
安装Python并添加到环境变量,pip安装需要的相关模块即可。
爬虫基本思路
请求url地址,使用get请求,添加headers请求头,模拟浏览器请求,网页会给你返回response对象
# 模拟浏览器发送请求 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是状态码,表示请求成功
2xx (成功)
3xx (重定向)
4xx(请求错误)
5xx(服务器错误)
常见状态码
200 - 服务器成功返回网页,客户端请求已成功。
302 - 对象临时移动。服务器目前从不同位置的网页响应请求,但请求者应继续使用原有位置来进行以后的请求。
304 - 属于重定向。自上次请求后,请求的网页未修改过。服务器返回此响应时,不会返回网页内容。
401 - 未授权。请求要求身份验证。 对于需要登录的网页,服务器可能返回此响应。
404 - 未找到。服务器找不到请求的网页。
503 (服务不可用) 服务器目前无法使用(由于超载或停机维护)。通常,这只是暂时状态。
三、获取数据
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)
四、解析数据
常用解析数据方法: 正则表达式、css选择器、xpath、lxml…
常用解析模块:bs4、parsel…
我们使用的是 parsel 无论是在之前的文章,还是说之后的爬虫系列文章,我都会使用 parsel 这个解析库,无它就是觉得它比bs4香。
parsel 是第三方模块,pip install parsel 安装即可
parsel 可以使用 css、xpath、re解析方法
所有的电影信息都包含在 li 标签当中。
# 把 response.text 文本数据转换成 selector 对象 selector = parsel.Selector(response.text) # 获取所有li标签 lis = selector.css('.grid_view li') # 遍历出每个li标签内容 for li in lis: # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个 getall() 输出形式是列表获取所有 title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串 movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表 star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '') movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情'] movie_time = movie_info[0] # 电影上映时间 movie_country = movie_info[1] # 哪个国家的电影 movie_type = movie_info[2] # 什么类型的电影 rating_num = li.css('.rating_num::text').get() # 电影评分 people = li.css('.star span:nth-child(4)::text').get() # 评价人数 summary = li.css('.inq::text').get() # 一句话概述 dit = { '电影名字': title, '参演人员': star, '上映时间': movie_time, '拍摄国家': movie_country, '电影类型': movie_type, '电影评分': rating_num, '评价人数': people, '电影概述': summary, } # pprint 格式化输出模块 pprint.pprint(dit)
以上的知识点使用到了
parsel 解析模块的方法
for 循环
css 选择器
字典的创建
列表取值
字符串的方法:分割、替换等
pprint 格式化输出模块
所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。
五、保存数据(数据持久化)
常用的保存数据方法 with open
像豆瓣电影信息这样的数据,保存到Excel表格里面会更好。
所以需要使用到 csv 模块
# csv模块保存数据到Excel f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='') csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型', '电影评分', '评价人数', '电影概述']) csv_writer.writeheader() # 写入表头
这就是爬取了数据保存到本地了。这只是一页的数据,爬取数据肯定不只是爬取一页数据。想要实现多页数据爬取,就要分析网页数据的url地址变化规律。
可以清楚看到每页url地址是 25 递增的,使用for循环实现翻页操作
for page in range(0, 251, 25): url = f'https://movie.douban.com/top250?start={page}&filter='
完整实现代码
"""""" import pprint import requests import parsel import csv ''' 1、明确需求: 爬取豆瓣Top250排行电影信息 电影名字 导演、主演 年份、国家、类型 评分、评价人数 电影简介 ''' # csv模块保存数据到Excel f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='') csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型', '电影评分', '评价人数', '电影概述']) csv_writer.writeheader() # 写入表头 # 模拟浏览器发送请求 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 文本数据转换成 selector 对象 selector = parsel.Selector(response.text) # 获取所有li标签 lis = selector.css('.grid_view li') # 遍历出每个li标签内容 for li in lis: # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个 getall() 输出形式是列表获取所有 title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串 movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表 star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '') movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情'] movie_time = movie_info[0] # 电影上映时间 movie_country = movie_info[1] # 哪个国家的电影 movie_type = movie_info[2] # 什么类型的电影 rating_num = li.css('.rating_num::text').get() # 电影评分 people = li.css('.star span:nth-child(4)::text').get() # 评价人数 summary = li.css('.inq::text').get() # 一句话概述 dit = { '电影名字': title, '参演人员': star, '上映时间': movie_time, '拍摄国家': movie_country, '电影类型': movie_type, '电影评分': rating_num, '评价人数': people, '电影概述': summary, } pprint.pprint(dit) csv_writer.writerow(dit)
实现效果
感谢各位的阅读,以上就是“Python怎么爬取豆瓣电影排行信息”的内容了,经过本文的学习后,相信大家对Python怎么爬取豆瓣电影排行信息这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是创新互联,小编将为大家推送更多相关知识点的文章,欢迎关注!
文章标题:Python怎么爬取豆瓣电影排行信息
网页URL:http://scyanting.com/article/pihepd.html