爬取豆瓣电影Top250影片信息

查看影片的详细信息

进入豆瓣电影Top250，选择某一影片，右击，选择“检查元素”。

爬取过程

需安装的包

安装requests、etree、json。

// An highlighted block
import json
import requests
from lxml import etree

确定爬取地址

由于豆瓣电影Top250是分页的，即计划爬取的影片信息分布在不同的页面上，其对应的网址不同，故需对不同的爬取地址统一格式。

代码如下：

// An highlighted block
url_list=[]
base_url="https://movie.douban.com/top250?start={}&filter="
for i in range(0,10):
    url=base_url.format(i*25)
    url_list.append(url)
print(url_list)

发送请求头

很多网站有反爬虫机制，如果发送没有haeders信息的请求，会被认为是爬虫，则会被禁止请求。设置header，通过request发送请求头。header中必须包含的信息有User_Agent，还可包括Host、Referer、Cookie等，查看方式如下。

发送请求代码如下：

// An highlighted block
header={
       
  " Host": "movie.douban.com"，
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"
    #Referer Cookie
}
for url in url_list:
    data=requests.get(url,headers=header,allow_redirects=False).content.decode()
    print(data)

解析数据

可利用BeautifulSoup或etree.HTML解析数据，此处使用后者。

// An highlighted block
xpath_data=etree.HTML(data)

通过下图，可以看到每一影片的完整信息对应的源代码为<