经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:技术经验 » 程序设计 » Python » 查看文章
Python爬虫入门教程:豆瓣Top电影爬取
来源:cnblogs  作者:夏日流火  时间:2021/2/18 15:42:43  对本文有异议
 
 

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

在这里插入图片描述

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
    在这里插入图片描述

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。
在这里插入图片描述
在这里插入图片描述

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

  1. # 模拟浏览器发送请求
  2. import requests
  3. url = 'https://movie.douban.com/top250'
  4. headers = {
  5. 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
  6. }
  7. response = requests.get(url=url, headers=headers)
  8. print(response)

在这里插入图片描述
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

  1. import requests
  2. url = 'https://movie.douban.com/top250'
  3. headers = {
  4. 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
  5. }
  6. response = requests.get(url=url, headers=headers)
  7. print(response.text)

在这里插入图片描述

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

  1. apparent_encoding cookies history
  2. iter_lines ok close
  3. elapsed is_permanent_redirect json
  4. raise_for_status connection encoding
  5. is_redirect links raw
  6. content headers iter_content
  7. next reason url

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

在这里插入图片描述
所有的电影信息都包含在 li 标签当中。

  1. # 把 response.text 文本数据转换成 selector 对象
  2. selector = parsel.Selector(response.text)
  3. # 获取所有li标签
  4. lis = selector.css('.grid_view li')
  5. # 遍历出每个li标签内容
  6. for li in lis:
  7. # 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
  8. title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串
  9. movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表
  10. star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
  11. movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情']
  12. movie_time = movie_info[0] # 电影上映时间
  13. movie_country = movie_info[1] # 哪个国家的电影
  14. movie_type = movie_info[2] # 什么类型的电影
  15. rating_num = li.css('.rating_num::text').get() # 电影评分
  16. people = li.css('.star span:nth-child(4)::text').get() # 评价人数
  17. summary = li.css('.inq::text').get() # 一句话概述
  18. dit = {
  19. '电影名字': title,
  20. '参演人员': star,
  21. '上映时间': movie_time,
  22. '拍摄国家': movie_country,
  23. '电影类型': movie_type,
  24. '电影评分': rating_num,
  25. '评价人数': people,
  26. '电影概述': summary,
  27. }
  28. # pprint 格式化输出模块
  29. pprint.pprint(dit)

在这里插入图片描述
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

  1. # csv模块保存数据到Excel
  2. f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')
  3. 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',
  4. '电影评分', '评价人数', '电影概述'])
  5. csv_writer.writeheader() # 写入表头

在这里插入图片描述
在这里插入图片描述
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。
在这里插入图片描述
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

  1. for page in range(0, 251, 25):
  2. url = f'https://movie.douban.com/top250?start={page}&filter='

完整实现代码

  1. """"""
  2. import pprint
  3. import requests
  4. import parsel
  5. import csv
  6. '''
  7. 1、明确需求:
  8. 爬取豆瓣Top250排行电影信息
  9. 电影名字
  10. 导演、主演
  11. 年份、国家、类型
  12. 评分、评价人数
  13. 电影简介
  14. '''
  15. # csv模块保存数据到Excel
  16. f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')
  17. 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',
  18. '电影评分', '评价人数', '电影概述'])
  19. csv_writer.writeheader() # 写入表头
  20. # 模拟浏览器发送请求
  21. for page in range(0, 251, 25):
  22. url = f'https://movie.douban.com/top250?start={page}&filter='
  23. headers = {
  24. 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
  25. }
  26. response = requests.get(url=url, headers=headers)
  27. # 把 response.text 文本数据转换成 selector 对象
  28. selector = parsel.Selector(response.text)
  29. # 获取所有li标签
  30. lis = selector.css('.grid_view li')
  31. # 遍历出每个li标签内容
  32. for li in lis:
  33. # 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
  34. title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串
  35. movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表
  36. star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
  37. movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情']
  38. movie_time = movie_info[0] # 电影上映时间
  39. movie_country = movie_info[1] # 哪个国家的电影
  40. movie_type = movie_info[2] # 什么类型的电影
  41. rating_num = li.css('.rating_num::text').get() # 电影评分
  42. people = li.css('.star span:nth-child(4)::text').get() # 评价人数
  43. summary = li.css('.inq::text').get() # 一句话概述
  44. dit = {
  45. '电影名字': title,
  46. '参演人员': star,
  47. '上映时间': movie_time,
  48. '拍摄国家': movie_country,
  49. '电影类型': movie_type,
  50. '电影评分': rating_num,
  51. '评价人数': people,
  52. '电影概述': summary,
  53. }
  54. pprint.pprint(dit)
  55. csv_writer.writerow(dit)

实现效果

在这里插入图片描述
在这里插入图片描述

 

原文链接:http://www.cnblogs.com/python147/p/14385378.html

 友情链接:直通硅谷  点职佳  北美留学生论坛

本站QQ群:前端 618073944 | Java 606181507 | Python 626812652 | C/C++ 612253063 | 微信 634508462 | 苹果 692586424 | C#/.net 182808419 | PHP 305140648 | 运维 608723728

W3xue 的所有内容仅供测试,对任何法律问题及风险不承担任何责任。通过使用本站内容随之而来的风险与本站无关。
关于我们  |  意见建议  |  捐助我们  |  报错有奖  |  广告合作、友情链接(目前9元/月)请联系QQ:27243702 沸活量
皖ICP备17017327号-2 皖公网安备34020702000426号