前言
本文的文字及圖片來(lái)源于網(wǎng)絡(luò),僅供學(xué)習(xí)、交流使用,不具有任何商業(yè)用途,如有問(wèn)題請(qǐng)及時(shí)聯(lián)系我們以作處理
基本開(kāi)發(fā)環(huán)境
相關(guān)模塊的使用
安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊即可。
爬蟲(chóng)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(dǎo)演、主演
- 年份、國(guó)家、類(lèi)型
- 評(píng)分、評(píng)價(jià)人數(shù)
- 電影簡(jiǎn)介
二、發(fā)送請(qǐng)求
Python中的大量開(kāi)源的模塊使得編碼變的特別簡(jiǎn)單，我們寫(xiě)爬蟲(chóng)第一個(gè)要了解的模塊就是requests。
請(qǐng)求url地址，使用get請(qǐng)求，添加headers請(qǐng)求頭，模擬瀏覽器請(qǐng)求，網(wǎng)頁(yè)會(huì)給你返回response對(duì)象
# 模擬瀏覽器發(fā)送請(qǐng)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(tài)碼，表示請(qǐng)求成功
2xx （成功）
3xx （重定向）
4xx（請(qǐng)求錯(cuò)誤）
5xx（服務(wù)器錯(cuò)誤）
常見(jiàn)狀態(tài)碼
- 200 - 服務(wù)器成功返回網(wǎng)頁(yè)，客戶(hù)端請(qǐng)求已成功。
- 302 - 對(duì)象臨時(shí)移動(dòng)。服務(wù)器目前從不同位置的網(wǎng)頁(yè)響應(yīng)請(qǐng)求，但請(qǐng)求者應(yīng)繼續(xù)使用原有位置來(lái)進(jìn)行以后的請(qǐng)求。
- 304 - 屬于重定向。自上次請(qǐng)求后，請(qǐng)求的網(wǎng)頁(yè)未修改過(guò)。服務(wù)器返回此響應(yīng)時(shí)，不會(huì)返回網(wǎng)頁(yè)內(nèi)容。
- 401 - 未授權(quán)。請(qǐng)求要求身份驗(yàn)證。 對(duì)于需要登錄的網(wǎng)頁(yè)，服務(wù)器可能返回此響應(yīng)。
- 404 - 未找到。服務(wù)器找不到請(qǐng)求的網(wǎng)頁(yè)。
- 503 （服務(wù)不可用） 服務(wù)器目前無(wú)法使用（由于超載或停機(jī)維護(hù)）。
通常，這只是暫時(shí)狀態(tài)。
三、獲取數(shù)據(jù)
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(qǐng)求網(wǎng)頁(yè)返回的是response對(duì)象
response.text： 獲取網(wǎng)頁(yè)文本數(shù)據(jù)
response.json： 獲取網(wǎng)頁(yè)json數(shù)據(jù)
這兩個(gè)是用的最多的，當(dāng)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(shù)據(jù)
常用解析數(shù)據(jù)方法： 正則表達(dá)式、css選擇器、xpath、lxml…
常用解析模塊：bs4、parsel…
我們使用的是 parsel 無(wú)論是在之前的文章，還是說(shuō)之后的爬蟲(chóng)系列文章，我都會(huì)使用 parsel 這個(gè)解析庫(kù)，無(wú)它就是覺(jué)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(biāo)簽當(dāng)中。
# 把 response.text 文本數(shù)據(jù)轉(zhuǎn)換成 selector 對(duì)象
selector = parsel.Selector(response.text)
# 獲取所有l(wèi)i標(biāo)簽
lis = selector.css('.grid_view li')
# 遍歷出每個(gè)li標(biāo)簽內(nèi)容
for li in lis:
# 獲取電影標(biāo)題 hd 類(lèi)屬性 下面的 a 標(biāo)簽下面的 第一個(gè)span標(biāo)簽里面的文本數(shù)據(jù) get()輸出形式是 字符串獲取一個(gè) 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(guó)', '犯罪 劇情']
movie_time = movie_info[0] # 電影上映時(shí)間
movie_country = movie_info[1] # 哪個(gè)國(guó)家的電影
movie_type = movie_info[2] # 什么類(lèi)型的電影
rating_num = li.css('.rating_num::text').get() # 電影評(píng)分
people = li.css('.star span:nth-child(4)::text').get() # 評(píng)價(jià)人數(shù)
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(shí)間': movie_time,
'拍攝國(guó)家': movie_country,
'電影類(lèi)型': movie_type,
'電影評(píng)分': rating_num,
'評(píng)價(jià)人數(shù)': people,
'電影概述': summary,
}
# pprint 格式化輸出模塊
pprint.pprint(dit)
以上的知識(shí)點(diǎn)使用到了
- parsel 解析模塊的方法
- for 循環(huán)
- css 選擇器
- 字典的創(chuàng)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(shí)基礎(chǔ)是很有必要的。不然你連代碼都不知道為什么要這樣寫(xiě)。
五、保存數(shù)據(jù)（數(shù)據(jù)持久化）
常用的保存數(shù)據(jù)方法 with open
像豆瓣電影信息這樣的數(shù)據(jù)，保存到Excel表格里面會(huì)更好。
所以需要使用到 csv 模塊
# csv模塊保存數(shù)據(jù)到Excel
f = open('豆瓣電影數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時(shí)間', '拍攝國(guó)家', '電影類(lèi)型',
'電影評(píng)分', '評(píng)價(jià)人數(shù)', '電影概述'])
csv_writer.writeheader() # 寫(xiě)入表頭
這就是爬取了數(shù)據(jù)保存到本地了。這只是一頁(yè)的數(shù)據(jù)，爬取數(shù)據(jù)肯定不只是爬取一頁(yè)數(shù)據(jù)。想要實(shí)現(xiàn)多頁(yè)數(shù)據(jù)爬取，就要分析網(wǎng)頁(yè)數(shù)據(jù)的url地址變化規(guī)律。
可以清楚看到每頁(yè)url地址是 25 遞增的，使用for循環(huán)實(shí)現(xiàn)翻頁(yè)操作
for page in range(0, 251, 25):
url = f'https://movie.douban.com/top250?start={page}filter='
完整實(shí)現(xiàn)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(dǎo)演、主演
年份、國(guó)家、類(lèi)型
評(píng)分、評(píng)價(jià)人數(shù)
電影簡(jiǎn)介
'''
# csv模塊保存數(shù)據(jù)到Excel
f = open('豆瓣電影數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時(shí)間', '拍攝國(guó)家', '電影類(lèi)型',
'電影評(píng)分', '評(píng)價(jià)人數(shù)', '電影概述'])
csv_writer.writeheader() # 寫(xiě)入表頭
# 模擬瀏覽器發(fā)送請(qǐng)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(shù)據(jù)轉(zhuǎn)換成 selector 對(duì)象
selector = parsel.Selector(response.text)
# 獲取所有l(wèi)i標(biāo)簽
lis = selector.css('.grid_view li')
# 遍歷出每個(gè)li標(biāo)簽內(nèi)容
for li in lis:
# 獲取電影標(biāo)題 hd 類(lèi)屬性 下面的 a 標(biāo)簽下面的 第一個(gè)span標(biāo)簽里面的文本數(shù)據(jù) get()輸出形式是 字符串獲取一個(gè) 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(guó)', '犯罪 劇情']
movie_time = movie_info[0] # 電影上映時(shí)間
movie_country = movie_info[1] # 哪個(gè)國(guó)家的電影
movie_type = movie_info[2] # 什么類(lèi)型的電影
rating_num = li.css('.rating_num::text').get() # 電影評(píng)分
people = li.css('.star span:nth-child(4)::text').get() # 評(píng)價(jià)人數(shù)
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(shí)間': movie_time,
'拍攝國(guó)家': movie_country,
'電影類(lèi)型': movie_type,
'電影評(píng)分': rating_num,
'評(píng)價(jià)人數(shù)': people,
'電影概述': summary,
}
pprint.pprint(dit)
csv_writer.writerow(dit)
實(shí)現(xiàn)效果
到此這篇關(guān)于Python爬蟲(chóng)入門(mén)教程01之爬取豆瓣Top電影的文章就介紹到這了,更多相關(guān)Python爬取豆瓣Top電影內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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(chóng)獲取豆瓣電影并寫(xiě)入excel
- Python爬蟲(chóng)實(shí)現(xiàn)的根據(jù)分類(lèi)爬取豆瓣電影信息功能示例
- python爬蟲(chóng)豆瓣網(wǎng)的模擬登錄實(shí)現(xiàn)
- Python爬蟲(chóng)——爬取豆瓣電影Top250代碼實(shí)例
- 一個(gè)簡(jiǎn)單的python爬蟲(chóng)程序 爬取豆瓣熱度Top100以?xún)?nèi)的電影信息
- Python爬蟲(chóng)實(shí)戰(zhàn)：分析《戰(zhàn)狼2》豆瓣影評(píng)
- Python制作豆瓣圖片的爬蟲(chóng)
- 實(shí)踐Python的爬蟲(chóng)框架Scrapy來(lái)抓取豆瓣電影TOP250
- 編寫(xiě)Python爬蟲(chóng)抓取豆瓣電影TOP100及用戶(hù)頭像的方法
- python 開(kāi)心網(wǎng)和豆瓣日記爬取的小爬蟲(chóng)
