Python实战：爬取豆瓣电影

春天来了，万物复苏，很多学生都要做课设项目了，又到了码农们爬虫的季节，空气中弥漫着一阵阵激情的交流声！

一、通用思路

找到豆瓣电影的汇总页面，整个页面都是各种电影的信息（相当于一个列表，把电影摆到一起）每一条点开后有一个详情页。
从汇总页面开始一级一级深入最后获取到每个条目的详情。

二、寻找链接

1.登录豆瓣电影网站，打开开发者工具，观察Network下的XHR异步请求

2.找到第一个API返回的是电影的标签

{“tags”:[“热门”,“最新”,“豆瓣高分”,“冷门佳片”,“华语”,“欧美”,“韩国”,“日本”]}

3.找到第五个API返回的是一些电影的数据

4.先写一个列表把第一个API返回的分类存储，对于每一个分类使用

5.分析字段

https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0

通过链接发现，可以获得一些电影基本信息

• rate：评分
• cover_x：电影封面宽度
• title：电影名
• url：电影详情页对应链接
• playable：是否上映
• cover：电影的封面图片
• id：唯一标志
• cover_y：封面高度
• is_new：是否为新上映电影

更多信息还需要点开电影详情页

三、代码实现

#!/usr/bin/env python
# coding:utf8

import sys
reload(sys)
sys.setdefaultencoding('utf8')

import urllib2
import urllib
#json处理字符集
import json
#BeautifulSoup处理页面
from bs4 import BeautifulSoup

#定义tags一个标签数据list
tags=[]
#通过API请求电影标签
url = 'https://movie.douban.com/j/search_tags?type=movie&source=index'
#headers通过get请求发送头文件伪装浏览器
request = urllib2.Request(url=url)
response = urllib.urlopen(request,timeout=20)
request = response.read()
result = json(response.read())
tags = result['tags']

#根据每个标签获取列表
movies = []

for tag in tags:
	limit = 0	
	while 1:
		url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=' + tag +'&page_limit=50&page_start=' + str(limit)
		print url
		request = urllib2.Request(url=url)
		response = urllib.urlopen(request,timeout=20)
		request = response.read()
		result = json(response.read())

		result = result['subjects']

		#如果此页空了，退出循环
		if len(result) == 0
			break

		#页数自增20
		limit +=20
		#处理subjects字典中的每一条信息
		for item in result:
			movies.append(item)

	#对第一种电影只要第一个分类
		#####	
		break
	#####
	break

	print len(movies)

#通过下标访问，写入操作
for x in xrange(0,len(movies)):
	#item电影中的每一项	
	item = movies[x]
	request = urllib2.Request(url=item['url'])
	response = urllib.urlopen(request,timeout=20)
	
	result = response.read()
	#用BeautifulSoup解析result
	html = BeautifulSoup(result)
	title = html.select('h1')[0]
	#去除放映时间
	title = title.select('span')[0]
	#只得到标签中的文本内容
	title = title.get_text()
	print title

四、总结

本项目通过GET类API接口，根据提供的标签、排序方法、每页数量、每页开始编号等参数返回相应的电影数据，按推荐程度排名，从0号开始，返回热门标签下的20条电影数据。针对每个标签，使用第二个API不断请求数据，如果请求结果中包含数据，则将page_start增加20再继续，知道返回结果为空，说明这一标签下的电影数据已经全部拿到。
BeautifulSoup包提供了解析HTML文本、查找和选择HTML元素、提取元素内容和属性的功能。