Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（上）

今天我们来爬取一下豆瓣网上排名前250的电影。

需求：爬取豆瓣网上排名前250的电影，然后将结果保存至一个记事本里。

开发环境：

python3.9

pycharm2021专业版

我们先观察网页，看看它的url规律：

第一页：https://movie.douban.com/top250?start=0&filter=

第二页：https://movie.douban.com/top250?start=25&filter=

第三页：https://movie.douban.com/top250?start=50&filter=

不难看出，页数每次加1，url里面start的值就加20，一共有10页，start的值最大为225。

这是因为1页里面有25部电影。一共有10页，也就是250部电影。

接着我们再看看要获取电影的名称的html内容规律：

按住键盘的F12键，进入到网页的审查元素板块

点击右上角的图标之后回到网页进行点击网页内的一个元素，进行元素审查

这里我们点击电影名称，就能获得它的html内容了

接着我们看下它的规律，方便后续的正则匹配：

<span class="title">肖申克的救赎</span>
<span class="title">霸王别姬</span>

之后导入我们的urllib模块和re模块

urllib.request 模块：提供了最基本的构造 HTTP 请求的方法，利用它可以模拟浏览器的一个请求发起过程，同时它还带有处理 authenticaton （授权验证）， redirections （重定向)， cookies (浏览器Cookies）以及其它内容
urllib.error模块：用来捕获异常
re模块：正则表达式，来匹配要获取的资源

import urllib.request
import urllib.error
import re

我的代码总共分为四个部分：

主函数

if __name__ == "__main__":pass

get_pages()函数：

用来发送网络请求，获取所需网页内容

def get_pages(url):pass

parse_content()函数：

对返回到的网页内容进行解析，再通过正则表达式匹配规则来获得所需要的网络资源：电影名称

def parse_content(content):pass

print_list()函数：

将获得到的电影列表写进一个记事本里

def print_list(url):pass

主函数

根据上文给出的url规律来设置while循环，让页数从0开始每次循环都加25，最大值为225。

之后调用print_list()函数

 if __name__ == "__main__":pages = 0while pages <= 225:url = 'https://movie.douban.com/top250?start=%s' % pagesprint("正在爬取数据..........")pages += 25print_list(url)print("爬取完毕！")

get_pages()函数

防止网站有反爬虫机制，我们需要模拟浏览器来进行访问。

在网页的审查元素中找到user-Agent，写进去

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36 Edg/91.0.864.41'}

发起请求并返回网页html内容

.....try:response = urllib.request.Request(url, headers=headers)content = urllib.request.urlopen(response).read()except urllib.error.URLError as e:print("爬取%s失败......................")%urlprint('错误原因：'+e.reason)else:return content

parse_content()函数

正则匹配

pattern = re.compile(r'<span class="title">(.*?)</span>')
movies_list = re.findall(pattern, content)

print_list()函数

将电影名单写进一个记事本里，同时还要注意内容换行

 with open('豆瓣电影前250.txt', 'w', encoding='utf-8') as file:for i in movies_list:file.write(i+'\r\n')

源码

import urllib.request
import urllib.error
import re


def get_pages(url):"""返回所要爬取网页的html内容"""headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36 Edg/91.0.864.41'}try:response = urllib.request.Request(url, headers=headers)content = urllib.request.urlopen(response).read()except urllib.error.URLError as e:print("爬取%s失败......................")%urlprint('错误原因：'+e.reason)else:return content


def parse_content(content):"""对返回到的内容进行解析，获取所要资源：电影名称,并且放进列表里面"""content = content.decode('utf-8')pattern = re.compile(r'<span class="title">(.*?)</span>')movies_list = re.findall(pattern, content)return movies_list


def print_list(url):"""打印电影名单,并写入文件里面"""content = get_pages(url)movies_list = parse_content(content)with open('豆瓣电影前250.txt', 'w', encoding='utf-8') as file:for i in movies_list:file.write(i+'\r\n')


if __name__ == "__main__":"""爬取豆瓣网排名前250的电影"""pages = 0while pages <= 225:url = 'https://movie.douban.com/top250?start=%s' % pagesprint("正在爬取数据..........")pages += 25print_list(url)print("爬取完毕！")

我们来看一下结果

我们可以看到，结果并不是很如我们所愿，这是为什么呢？

我们重新查看网页元素，发现了这么一个现象

我们的正则匹配规则是这样的

pattern = re.compile(r'<span class="title">(.*?)</span>')

可以看到，这个匹配规则会将上面这两个网页元素一起匹配出来，就会导致我的爬取出来的电影列表里有这样一串不知名字符串。

那么有没有更好的办法呢？

肯定是有的，在下一集我们将使用一个俗称“靓汤”的模块，有了这个模块，我们的问题可以彻底解决，并且让我们爬虫更加得心应手。

Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（上）相关推荐

Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（下）
在Python爬虫实战(1) | 爬取豆瓣网排名前250的电影(上)中,我们最后爬出来的结果不是很完美,这对于"精益求精.追求完美的"程序猿来说怎么能够甘心所以,今天,用pyth ...
Python爬虫实战：爬取贝壳网二手房40000条数据
前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于啤酒就辣条 ,作者啤酒就辣条一.网页分析爬取贝壳网石家庄二 ...
Python爬虫实战之爬取web网易云音乐——解析
找到存储歌曲地址的url界面首先我们要进入网易云的web页面在页面中我们随意选择一首歌曲,打开开发者工具查看响应的界面. 在这些页面中我们需要查找存储有音乐文件的url,这是我们可以打开全局搜索直接 ...
python爬取豆瓣影评_【python爬虫实战】爬取豆瓣影评数据
概述: 爬取豆瓣影评数据步骤: 1.获取网页请求 2.解析获取的网页 3.提速数据 4.保存文件源代码: # 1.导入需要的库 import urllib.request from bs4 impo ...
Python爬虫实战 | (3) 爬取豆瓣电影Top250
在本篇博客中,我们将使用requests+正则表达式来爬取豆瓣电影TOP250电影榜单,获取每部电影的序号.片名.导演.编剧.主演.类型.制作国家/地区.语言.上映日期.片长.又名.豆瓣评分和剧情简介 ...
Python爬虫实战之爬取豆瓣详情以及影评
爬取豆瓣详情分为三步: 1.爬取豆瓣电影的所有标签,遍历标签,通过分析网址结构获得每一类标签下的电影url 2.通过url 爬取电影详情 3.导入数据库爬虫代码如下: from urllib imp ...
Python爬虫实战（爬取豆瓣电影）
首先介绍一下python的几个库,python之所以在实现爬虫方面有独特的优势,在于其类库非常的丰富,基本涵盖了所有的需求,只要找到对应的库进行import,这就类似于Java中导入类库或者jar包那 ...
Python爬虫实战：爬取贝壳网二手房成交数据，将数据存入Excel。
import requests import xlrd as xlrd from xlutils.copy import copy from lxml import etree def getData ...
Python爬虫入门 | 4 爬取豆瓣TOP250图书信息
先来看看页面长啥样的:https://book.douban.com/top250 我们将要爬取哪些信息:书名.链接.评分.一句话评价-- 1. 爬取单个信息我们先来尝试爬取书名,利用之 ...

Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（上）

Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（上）相关推荐

最新文章

热门文章