Python 爬虫项目实战（五）：爬取豆瓣电影 Top 250

前言

网络爬虫（Web Crawler），也称为网页蜘蛛（Web Spider）或网页机器人（Web Bot），是一种按照既定规则自动浏览网络并提取信息的程序。爬虫的主要用途包括数据采集、网络索引、内容抓取等。

爬虫的基本原理

1. 种子 URL：爬虫从一个或多个种子 URL 开始，这些 URL 是起点。
2. 发送请求：爬虫向这些种子 URL 发送 HTTP 请求，通常是 GET 请求。
3. 获取响应：服务器返回网页的 HTML 内容作为响应。
4. 解析内容：爬虫解析 HTML 内容，提取所需的数据（如文本、链接、图片等）。
5. 提取链接：从网页中提取出所有链接，并将这些链接加入待访问队列。
6. 重复过程：爬虫重复上述步骤，直到达到某个停止条件，如爬取了一定数量的页面，或所有页面都被爬取完毕。

爬虫的分类

1. 通用爬虫

   • 设计用于抓取整个互联网的大量网页。搜索引擎（如 Google、Bing）的爬虫就是通用爬虫。

2. 聚焦爬虫

   • 专注于特定主题或领域，抓取相关网页。比如，一个新闻爬虫只抓取新闻网站的内容。

3. 增量爬虫

   • 仅抓取自上次爬取以来发生变化或更新的网页，适用于动态内容更新频繁的网站。

爬虫的合法性和道德

在编写和运行爬虫时，必须遵循以下原则：

1. 遵守网站的 robots.txt：

   • 大多数网站都有一个 robots.txt 文件，规定了哪些页面允许被爬取，哪些不允许。爬虫应当尊重这些规则。

2. 避免过度抓取：

   • 设置适当的抓取频率，避免对服务器造成过大负担。

3. 尊重版权和隐私：

   • 不应抓取或使用受版权保护的内容，或涉及用户隐私的数据。

4. 获取许可：

   • 在某些情况下，最好获得网站管理员的许可，特别是当你打算频繁地抓取大量数据时。

通过以上方法和原则，可以编写高效、可靠且合规的网络爬虫来满足数据采集的需求。 

侦察

目标网页如下

第一页只有 25 部电影，点击第二页可以看到参数变了

第三页则是50，每次增加 25

重新回到第一页则是 0

请求地址与请求方式

请求参数

我们需要获取电影名称、电影图片、电影排名、电影评分、电影作者、电影简介

源代码

import requests
from bs4 import BeautifulSoup


# 起始页
num = 0

# 伪造请求头
headers = {
    'cookie': 'bid=QV_MlgFcmAo; _pk_id.100001.4cf6=44156185ea4b5a12.1722673221.; _pk_ses.100001.4cf6=1; ap_v=0,6.0; __utma=30149280.589452502.1722673221.1722673221.1722673221.1; __utmb=30149280.0.10.1722673221; __utmc=30149280; __utmz=30149280.1722673221.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.2072540539.1722673221.1722673221.1722673221.1; __utmb=223695111.0.10.1722673221; __utmc=223695111; __utmz=223695111.1722673221.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __yadk_uid=QXpQVf7kA1OqKukLW6RfmG91ygzrFVaG; ll="118266"; _vwo_uuid_v2=DC4BB68DBF5FB2CC75EBAC4BE55611A10|198aa176e5ed138f9a7b172497184e4b',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36'
}

# 创建字典保存数据
dic = {}

while num < 226:
    # 请求地址
    url = f'https://movie.douban.com/top250?start={num}&filter='

    # 请求数据
    response = requests.get(url, headers=headers)

    # 使用BeautifulSoup解析HTML
    soup = BeautifulSoup(response.text, 'lxml')

    # 找到页面上的第一个<ol>标签
    ol_tag = soup.find_all('ol', class_='grid_view')

    # 提取<ol>标签下的所有<li>元素
    li_elements = ol_tag[0].find_all('li')

    # 循环保存<li>元素中的数据
    for li in li_elements:
        # .get_text() 方法有几个参数，其中 strip 是一个常用的参数，它接受一个布尔值（True 或 False）
        # 当 strip 参数设置为 True 时，.get_text() 方法会去除从标签中提取的文本的首尾空白字符
        # 当 strip 参数设置为 False 或者不提供该参数时，.get_text() 方法会保留文本的首尾空白字符

        # 电影名称
        title = li.find('div', class_='item').find('div', class_='info').find('div', class_='hd').find('a').find('span', class_='title').get_text(strip=True)

        # 电影图片
        pic = li.find('div', class_='item').find('div', class_='pic').find('a').find('img').get('src')

        # 电影排名
        em = li.find('div', class_='item').find('div', class_='pic').find('em').get_text(strip=True)

        # 电影评分
        rating_num = li.find('div', class_='item').find('div', class_='info').find('div', class_='bd').find('div', class_='star').find('span', class_='rating_num').get_text(strip=True)

        # 电影作者
        author = li.find('div', class_='item').find('div', class_='info').find('div', class_='bd').find('p').get_text(strip=True)

        # 电影简介（可能不存在，需要检查）
        quote = None  # 初始化quote为None，以备不时之需
        quote_div = li.find('div', class_='item')
        if quote_div:
            info_div = quote_div.find('div', class_='info')
            if info_div:
                bd_div = info_div.find('div', class_='bd')
                if bd_div:
                    quote_p = bd_div.find('p', class_='quote')
                    if quote_p:
                        quote_span = quote_p.find('span', class_='inq')
                        quote = quote_span.get_text(strip=True) if quote_span else '未提供'

        dic = {
            '电影名称': title,
            '电影图片': pic,
            '电影排名': em,
            '电影评分': rating_num,
            '电影作者': author,
            '电影简介': quote
        }

        print(dic)

    num += 25

项目效果