使用Python爬虫 爬取豆瓣top250
1.任务介绍
需求分析
爬取豆瓣电影Top250的基本信息,包括电影的名称
、豆瓣评分
、评价数
、电影概况
、电影链接
等。
链接:https://movie.douban.com/top250三步走
- 获取数据(常用Urlib2,Requests,aiohttp,elenium)
- 解析数据(常用pyquery,Beautifulsoup,xpath,re)
- 存储数据(常用mysql,xlwt等)
反扒措施
- header: 爬虫请求头与浏览器保持一致
- 动态页面: 查到页面内容的request
- 用户: 每次请求间隔几秒,或使用代理服务器
- cookie: 禁止cookie
参考了哔站上的成都工业大学实训老师的视频,对其代码进行了一些重构和简化,增加了注释方便大家参考,有兴趣请去哔站观看原视频。
import re
import requests
import xlwt
from bs4 import BeautifulSoup
# 配置项
base_url = "https://movie.douban.com/top250?start="
# 影片的链接的规则
find_link = re.compile(r'<a href="(.*?)">')
# 影片的图片的规则
find_imgsrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S让换行符包含在字符中
# 影片片名
find_title = re.compile(r'<span class="title">(.*)</span>')
# 影片评分
find_rating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 找到评价人数
find_judge = re.compile(r"<span>(\d*)人评价</span>")
# 找到概况
find_inq = re.compile(r'<span class="inq">(.*)</span>')
# 找到影片相关内容
find_bd = re.compile(r'<p class="">(.*?)</p>', re.S)
# 保存文件路径,请自行修改
save_path = "C:/Users/26707/Desktop/豆瓣电影Top250.xls"
def askURL(url):
"""
发起网络请求获取网页内容
:param url: 需要请求的网址
:return: 网页内容的文本形式
"""
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64) AppleWebKit/537.36\
(KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0"
}
res = requests.get(url=url, headers=head) # 使用requests库发起get请求
return res.text # 返回网页内容的文本形式
def getData(html):
"""
获取网页数据并解析,返回电影信息列表
"""
datalist = []
# for i in range(0, 10): # 调用获取页面信息的函数,10次
# url = html + str(i * 25)
# html = askURL(url) # 保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all(
"div", class_="item"
): # 查找符合要求的字符串,形成一个链表
# print(item) #测试
data = [] # 保存一部电影的所有信息
item = str(item)
link = re.findall(find_link, item)[0] # re库用来通过正则表达式查找指定内容
data.append(link)
imgSrc = re.findall(find_imgsrc, item)[0] # 添加图片
data.append(imgSrc)
titles = re.findall(find_title, item) # 片名可能只有一个中文名
if len(titles) == 2:
ctitle = titles[0]
data.append(ctitle) # 添加中文名
otitle = titles[1].replace("/", "") # 去掉无关的符号
data.append(otitle) # 添加外国名
else:
data.append(titles[0])
data.append(" ") # 外国名留空
rating = re.findall(find_rating, item)[0] # 添加评分
data.append(rating)
judgeNom = re.findall(find_judge, item)[0] # 添加评价人数
data.append(judgeNom)
inq = re.findall(find_inq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "") # 去掉句号
data.append(inq) # 添加概述
else:
data.append(" ") # 留空
bd = re.findall(find_bd, item)[0]
bd = re.sub("<br(\s+)?>(\s+)?", " ", bd) # 去掉<br>
bd = re.sub("/", " ", bd) # 替换/
data.append(bd.strip()) # 去掉前后空格
datalist.append(data)
return datalist
def saveData(datalist):
"""
保存数据到Excel文件
"""
print("save....")
book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象
sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True) # 创建工作表
col = (
"电影详情链接",
"图片链接",
"影片中文名",
"影片外国名",
"评分",
"评价数",
"概况",
"相关信息",
)
for i in range(0, 8):
sheet.write(0, i, col[i])
for i in range(0, 250):
print("第%d条" % i)
data = datalist[i]
for j in range(0, 8):
sheet.write(i + 1, j, data[j])
book.save(save_path)
def main():
"""
主函数,用于调用其他函数完成爬虫流程
"""
datalist = []
# 1.爬取网页,获取数据
for i in range(0, 10): # 调用获取页面信息的函数,10次
url = base_url + str(i * 25)
html = askURL(url) # 保存获取到的网页源码
# 2.解析数据,提取所需信息
datalist += getData(html)
# 3.保存数据到Excel文件
saveData(datalist) # 存储数据到Excel文件
if __name__ == "__main__":
main() # 调用主函数
print("爬取完毕") # 打印爬取完毕提示信息