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'])
  6. 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'])
  20. csv_writer.writeheader()    # 写入表头
  22. # 模拟浏览器发送请求
  23. for page in range(0, 251, 25):
  24.     url = f'https://movie.douban.com/top250?start={page}&filter='
  25.     headers = {
  26.         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
  27.     }
  28.     response = requests.get(url=url, headers=headers)
  29.     # 把 response.text 文本数据转换成 selector 对象
  30.     selector = parsel.Selector(response.text)
  31.     # 获取所有li标签
  32.     lis = selector.css('.grid_view li')
  33.     # 遍历出每个li标签内容
  34.     for li in lis:
  35.         # 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
  36.         title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串
  37.         movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表
  38.         star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
  39.         movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']
  40.         movie_time = movie_info[0]  # 电影上映时间
  41.         movie_country = movie_info[1]   # 哪个国家的电影
  42.         movie_type = movie_info[2]     # 什么类型的电影
  43.         rating_num = li.css('.rating_num::text').get()   # 电影评分
  44.         people = li.css('.star span:nth-child(4)::text').get()   # 评价人数
  45.         summary = li.css('.inq::text').get()   # 一句话概述
  46.         dit = {
  47.             '电影名字': title,
  48.             '参演人员': star,
  49.             '上映时间': movie_time,
  50.             '拍摄国家': movie_country,
  51.             '电影类型': movie_type,
  52.             '电影评分': rating_num,
  53.             '评价人数': people,
  54.             '电影概述': summary,
  55.         }
  56.         pprint.pprint(dit)
  57.         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

Python热门文章

  • Python | 新冠肺炎疫情数据的爬取与可视化分析
  • Python爬小草1024图片，盖达尔的诱惑（urllib.request）
  • pytorch如何获得模型的计算量和参数量
  • 计算曲线与坐标轴的面积
  • 基于Python实现语音合成小工具
  • PyQt5笔记之弹出窗口大全
  • python反编译学习之字节码详解
  • Python爬虫基础讲解（二十）：多进程——multiprocessing模块的使用
  • python?OpenCV计算图片相似度的5种算法
  • matplotlib 设置图形大小时 figsize 与 dpi 的关系

    • Python推荐文章

  • python 音频处理（2)——提取PPG特征之whisper库的使用（2.1）
  • 《最新出炉》系列初窥篇-Python+Playwright自动化测试-60 - 判断元素是否显示 - 下篇 - 北京-宏哥
  • [python] 启发式算法库scikit-opt使用指北
  • 《最新出炉》系列初窥篇-Python+Playwright自动化测试-59 - 判断元素是否显示 - 上篇 - 北京-宏哥
  • 界面自动化测试录制工具，让python selenium自动化测试脚本开发更加方便
  • 《最新出炉》系列入门篇-Python+Playwright自动化测试-56- 多文件上传 - 下篇 - 北京-宏哥
  • 音频文件降噪及python示例
  • 全网最适合入门的面向对象编程教程：20 类和对象的 Python 实现-组合关系的实现与 CSV 文件保存
  • 张高兴的 MicroPython 入门指南：（一）环境配置、Blink、部署
  • Python——比 Seaborn 更好的相关性热力图：Biokit Corrplot

    • 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