003.[python学习] 简单抓取豆瓣网电影信息程序

声明:本程序仅用于学习爬网页数据,不可用于其它用途。

本程序仍有很多不足之处,请读者不吝赐教。

依赖:本程序依赖BeautifulSoup4和lxml,如需正确运行,请先安装。下面是代码:

  1 #!/usr/bin/env python
  2 # -*- coding: utf-8 -*-
  3
  4
  5 import sys
  6 reload(sys)
  7 sys.setdefaultencoding('utf-8')  #解决编码问题
  8
  9
 10 """一个简单的从豆瓣网获取电影标签的示例,
 11 1. 首先获取所有标签以及它所对应的请求连接,
 12    获取所有标签的请求链接是https://movie.douban.com/tag/?view=cloud
 13 2. 请求每个标签对应的链接获取该标签下所有电影信息
 14 """
 15
 16
 17 import urllib
 18 import urllib2
 19 import re
 20 import codecs
 21 # BeautifulSoup 用于解析html使用,本程序中使用lxml作为解析器
 22 from bs4 import BeautifulSoup
 23
 24
 25 # url正则表达式,用于将url分割为多个部分,对其中某些部分进行url编码使用
 26 URL_RGX = re.compile(r'(?P<prefix>https?://)(?P<mid>[^?]+)(?P<has_key>\??)(?P<parms>[^?]*)')
 27 DOUBAN_TAG_URL = r'https://movie.douban.com/tag/?view=cloud'
 28
 29
 30 # url请求
 31 def get_request(url):
 32     # 对url特定部分进行编码
 33     matches = URL_RGX.match(url)
 34     if matches:
 35         dic = matches.groupdict()
 36         prefix = dic.get('prefix', '')
 37         mid = urllib.quote(dic.get('mid', ''))
 38         has_key = dic.get('has_key', '')
 39         parms = dic.get('parms', '')
 40         if parms != '':
 41             tmp_dic = dict()
 42             for kv in parms.split('&'):
 43                 k, v = kv, ''
 44                 if '=' in kv:
 45                     k, v = kv.split('=', 1)
 46                 tmp_dic[k] = v
 47             parms = urllib.urlencode(tmp_dic)
 48         url = '{0}{1}{2}{3}'.format(prefix, mid, has_key, parms)
 49     else:
 50         url = None
 51     if url:
 52         try:
 53             res = urllib.urlopen(url)
 54             if res and res.getcode() == 200:
 55                 return res.read()
 56         except Exception as e:
 57             pass
 58     return ''
 59
 60
 61 # 获取所有标签信息,返回值为列表,列表中每个元素格式为(标签名, 标签url地址)
 62 def get_all_tags():
 63     all_tags = list()
 64     page_text = get_request(DOUBAN_TAG_URL)
 65     soup = BeautifulSoup(page_text, 'lxml')
 66     tags = soup.find_all('a', attrs={'class': 'tag'})
 67     for tag in tags:
 68         tag_name = tag.string
 69         # 将原有链接中的?focus=替换为空,替换后url为分页显示地址
 70         tag_url = tag['href'].replace('?focus=', '')
 71         all_tags.append((tag_name, tag_url))
 72     return all_tags
 73
 74
 75 # 解析单个电影节点信息,返回电影信息字典
 76 def parse_movie_tag(movie_tag):
 77     # 下面15行代码好烂,下次改下它
 78     movie_title_tag = movie_tag.find('a', attrs={'class': 'title'})
 79     movie_title = '无名电影'
 80     movie_detail_url = '无链接'
 81     if movie_title_tag:
 82         movie_title = movie_title_tag.string.strip()
 83         movie_detail_url = movie_title_tag['href'].strip()
 84     # movie_detail_url = movie_tag.find('a', attrs={'class': 'title'})['href']
 85     movie_desc_tag = movie_tag.find('div', attrs={'class': 'desc'})
 86     movie_desc = '无描述信息'
 87     if movie_desc_tag:
 88         movie_desc = movie_desc_tag.string.strip()
 89     movie_rating_nums_tag = movie_tag.find('span', attrs={'class': 'rating_nums'})
 90     movie_rating_nums = '无评分信息'
 91     if movie_rating_nums_tag:
 92         movie_rating_nums = movie_rating_nums_tag.string.strip()
 93     return {'title': movie_title, 'detail_url': movie_detail_url,
 94             'desc': movie_desc, 'rating_nums': movie_rating_nums}
 95
 96
 97 # 获取当前页面中的电影信息节点
 98 def get_current_page_movies(page_url):
 99     page_text = get_request(page_url)
100     soup = BeautifulSoup(page_text, 'lxml')
101     movies = soup.find_all('dd')
102     movie_info_lst = list()
103     for movie in movies:
104         # 将解析后的电影信息加入列表中
105         movie_info_lst.append(parse_movie_tag(movie))
106     return movie_info_lst
107
108
109 if __name__ == '__main__':
110     # 获取所有标签信息
111     all_tags = get_all_tags()
112     # 标签信息存到文件中
113     all_tags_file = codecs.open('all_tags_info.txt', 'wb')
114     all_tags_file.write('标签名\t标签url地址\r\n')
115     for tag_name, tag_url in all_tags:
116         all_tags_file.write('{0}\t{1}\r\n'.format(tag_name, tag_url))
117         all_tags_file.flush()
118     all_tags_file.close()
119
120     # 获取每个标签下的所有电影
121     for tag_name, tag_url in all_tags:
122         movie_infos_file = codecs.open(tag_name + '.txt', 'wb')
123         movie_infos_file.write('电影名\t标签名\t电影描述\t评分\t详细链接\r\n')
124         start = 0
125         while True:
126             target_url = '{base_url}?start={start}'.format(base_url=tag_url,
127                                                            start=start)
128             movies = get_current_page_movies(target_url)
129             for movie in movies:
130                 title = movie.get('title', '')
131                 detail_url = movie.get('detail_url', '')
132                 desc = movie.get('desc', '')
133                 rating_nums = movie.get('rating_nums', '')
134                 movie_infos_file.write('{0}\t{1}\t{2}\t{3}\t{4}\r\n'.format(title,
135                                                                           tag_name,
136                                                                           desc,
137                                                                           rating_nums,
138                                                                           detail_url))
139                 movie_infos_file.flush()
140             # 计算当前页电影总个数,因单页只显示15条信息,
141             # 所以如果单页电影数小于15则表示无后续页面,则跳出循环不再请求此分类
142             current_page_movies_count = len(movies)
143             if current_page_movies_count < 15:
144                 break
145             # 请求下一页标记数
146             start += current_page_movies_count
147         movie_infos_file.close()

运行结果截图:

图1-电影标签信息

图2-具体分类下电影信息

后续优化:1、获取电影详细信息;2、请求太频繁会被禁止访问

posted on 2016-06-08 02:22 amtoor 阅读(...) 评论(...) 编辑 收藏

转载于:https://www.cnblogs.com/amtoor/p/5568863.html

003.[python学习] 简单抓取豆瓣网电影信息程序相关推荐

  1. python爬取豆瓣电影信息_Python|简单爬取豆瓣网电影信息

    前言: 在掌握一些基础的爬虫知识后,就可以尝试做一些简单的爬虫来练一练手.今天要做的是利用xpath库来进行简单的数据的爬取.我们爬取的目标是电影的名字.导演和演员的信息.评分和url地址. 准备环境 ...

  2. Python|简单爬取豆瓣网电影信息

    欢迎点击「算法与编程之美」↑关注我们! 本文首发于微信公众号:"算法与编程之美",欢迎关注,及时了解更多此系列文章. 欢迎加入团队圈子!与作者面对面!直接点击! 前言: 在掌握一些 ...

  3. 如何抓取豆瓣网电影海报信息及重命名

    打开豆瓣电影url:https://movie.douban.com/ 找到真正存储信息的url:https://movie.douban.com/j/search_subjects?type=mov ...

  4. python爬虫:批量抓取代理ip,进行验证,抓取豆瓣网站影视信息

    本文作为学习笔记参考用: [1]批量抓取代理ip: 找到第三方ip代理的网站,进行分析,并批量抓取,抓取程序放到Proxies_spider.py中,如下所示: import re import re ...

  5. 数据分析与挖掘案例之使用python抓取豆瓣top250电影数据进行分析

    使用python抓取豆瓣top250电影数据进行分析 抓取豆瓣Top250电影数据的链接和电影名称 代码如下: import urllib.request as urlrequest from bs4 ...

  6. python 豆瓣评论分析方法_使用python抓取豆瓣top250电影数据进行分析

    抓取豆瓣Top250电影数据的链接和电影名称 代码如下: import urllib.request as urlrequest from bs4 import BeautifulSoup impor ...

  7. [python爬虫] BeautifulSoup和Selenium对比爬取豆瓣Top250电影信息

    这篇文章主要对比BeautifulSoup和Selenium爬取豆瓣Top250电影信息,两种方法从本质上都是一样的,都是通过分析网页的DOM树结构进行元素定位,再定向爬取具体的电影信息,通过代码的对 ...

  8. 抓取豆瓣的电影排行榜TOP100

    1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 """ 4 一个简单的Python爬虫, 用于抓取豆瓣电影Top前1 ...

  9. 不会写Python代码如何抓取豆瓣电影 Top 250

    说到爬虫,大多数人会想到用Python来做,毕竟简单好用,比如想抓取豆瓣电影top250 的所有电影数据. 简单的代码如下: import requests from bs4 import Beaut ...

最新文章

  1. 各种 AI 数据增强方法,都在这儿了
  2. Android调用浏览器打开网址遇到的问题
  3. window清理垃圾
  4. ORA-07445导致实例崩溃的解决【The solution of instance crush by ORA-07445】
  5. 2013年中国数据库大会PPT
  6. 2021的第一封拒信来自2021年年度青年活动家本科生奖!
  7. Vim功能键整理(图片来自mooc)
  8. 从C# String类理解Unicode(UTF8/UTF16)
  9. 自己开发的一款基于PagedDataSource的datalist repeater控件,只需要在源程序中添加三行代码,即可实现通用分页
  10. python中协程的理解_python协程的理解
  11. 辨异 —— Java 中 String 的相等性比较
  12. php项目打不开DNS,电脑无法打开网页显示错误代码dns_probe_possible怎么解决?
  13. python中seek函数_Python seek()函数
  14. OllyDbg基本使用
  15. Unity 水墨风格Shader
  16. mysql数据库空间不足_mysql空间不足怎么解决?
  17. C#学习资源网站汇总
  18. 2021年浏阴一中高考成绩查询,2021年湖南高考最高分多少分,历年湖南高考状元
  19. Express搭建服务器
  20. 【系统分析师之路】2018年上系统分析师综合知识真题

热门文章

  1. ios添加桌面记事本用哪款软件?
  2. 安徽大学高等数学习题册(上)(第二章)
  3. android模拟器32位下载,【天天安卓模拟器和Internet Explorer 10(32位)哪个好用】天天安卓模拟器和Internet Explorer 10(32位)对比-ZOL下载...
  4. MapReduce的自定义计数器
  5. 多项式特征生成--PolynomialFeatures类
  6. 在python语言中可作为源文件后缀名的是_Python中的标识符不区分大小写。
  7. 幻13全能本领衔 ROG多款重磅新品发布
  8. android改变图标颜色
  9. wift学习笔记之闭包
  10. “买卖股票的最佳时机” 系列——我来教你稳赚不亏~