前言

本文的文字及图片来源于网络且仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我以作处理。

基本开发环境

Python 3.6
Pycharm

爬虫基本思路

一、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

二、发送请求

Python中的大量开源的模块使得编码变的特别简单，我们写爬虫第一个要了解的模块就是requests。

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)

requests.get(url=url, headers=headers) ：请求网页返回的是response对象

response.text：获取网页文本数据

response.json：获取网页json数据

这两个是用的最多的，当然还有其他的

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

【Python爬虫】新手入门案例教学（一）：爬取豆瓣电影排行有关信息相关推荐

从入门到入土：python爬虫|scrapy初体验|安装教程|爬取豆瓣电影短评相关信息（昵称，内容，时间和评分）
此博客仅用于记录个人学习进度,学识浅薄,若有错误观点欢迎评论区指出.欢迎各位前来交流.(部分材料来源网络,若有侵权,立即删除) 本人博客所有文章纯属学习之用,不涉及商业利益.不合适引用,自当删除! 若 ...
python 爬虫实战六：用 selenium 爬取豆瓣电影
今天帮朋友爬取豆瓣电影的数据,以便进行社交网络分析. 首先打开豆瓣电影,然后点击分类 ,选择要爬取的特定电影这里以国产喜剧片为例:依次点击电影.喜剧.中国大陆然后点击一个小的列表按键找到我们 ...
Python爬虫小白教程（二）—— 爬取豆瓣评分TOP250电影
文章目录前言安装bs4库网站分析获取页面爬取页面页面分析其他页面爬虫系列前言经过上篇博客Python爬虫小白教程(一)-- 静态网页抓取后我们已经知道如何抓取一个静态的页面了,现在 ...
爬取豆瓣电影Top250影片信息
爬取豆瓣电影Top250影片信息查看影片的详细信息爬取过程需安装的包确定爬取地址发送请求头解析数据保存数据完整代码查看影片的详细信息进入豆瓣电影Top250,选择某一影片,右击,选 ...
爬取豆瓣电影排行top250
功能描述V1.0: 爬取豆瓣电影排行top250 功能分析: 使用的库 1.time 2.json 3.requests 4.BuautifulSoup 5.RequestException 上机实验 ...
Python爬虫新手入门教学（一）：爬取豆瓣电影排行信息
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,如有问题请及时联系我们以作处理. Python爬虫.数据分析.网站开发等案例教程视频免费在线观看 https://space. ...
python爬虫慕课网利用xpath_python爬虫实践——零基础快速入门（二）爬取豆瓣电影...
爬虫又称为网页蜘蛛,是一种程序或脚本. 但重点在于,它能够按照一定的规则,自动获取网页信息. 爬虫的基本原理--通用框架 1.挑选种子URL: 2.讲这些URL放入带抓取的URL列队: 3.取出带抓取 ...
利用python爬取豆瓣音乐_Python爬虫小白入门（七）爬取豆瓣音乐top250
抓取目标: 豆瓣音乐top250的歌名.作者(专辑).评分和歌曲链接使用工具: requests + lxml + xpath. 我认为这种工具组合是最适合初学者的,requests比python自 ...
[ Python ] 爬虫类库学习之 requests，爬取豆瓣喜剧电影排行榜
requests 文档:http://cn.python-requests.org/zh_CN/latest/ 安装:pip --timeout=100 install requests [ pyth ...
爬虫入门经典(四) | 如何爬取豆瓣电影Top250
大家好,我是不温卜火,是一名计算机学院大数据专业大三的学生,昵称来源于成语-不温不火,本意是希望自己性情温和.作为一名互联网行业的小白,博主写博客一方面是为了记录自己的学习过程,另一方面是总结自己 ...

【Python爬虫】新手入门案例教学（一）：爬取豆瓣电影排行有关信息

前言