豆瓣电影爬取数据
import os
import random
import time
from urllib import request
def Douban_data_wash(text1):
text1 = text1.split(‘
豆瓣电影 Top 250
’)[1] # 切去网页头for i in range(0, 25):
text = text1.split(’’)[i] # 切片
#
![肖申克的救赎](https://i-blog.csdnimg.cn/blog_migrate/7cf6617261305883732be6a30433f93a.webp?x-image-process=image/format,png)
rank = text.split(’<em class="">’)[1].split("")[0] # 获取排名
title = text.split(’’)[0].split(’>’)[-1].strip() # 获取电影名
rate = text.split('v:average\">')[1].split('</span>')[0] # 评分
number = text.split('star')[1].split('<span>')[1].split('</span>')[0] # 评分人数
try:
quote = text.split('inq')[1].split('>')[1].split('<')[0] # 部分电影无推荐理由,抓取可能出现的异常indexoutofrange
except:
print(rank + "该处评价为空")
quote = " " # 设置推荐理由为空
file = open("./豆瓣数据/豆瓣数据.txt", "a") # 追加方式写文件
file.write(
"排名:" + rank + ",《" + title + "》,豆瓣评分" + rate + ",评价人数:" + number + "。推荐理由:" + quote + "\n") # 以追加方式写入文件
file.close()
print("排名{},《{}》,豆瓣评分{},{}。推荐理由:{}".format(rank, title, rate, number, quote))
def DouBanSpide(i):
url = “https://movie.douban.com/top250?start=” + str(i * 25)
user_agent = {
“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36”} # 字典形式,也可以通过其它形式进行
req = request.Request(url=url, headers=user_agent)
html = request.urlopen(req)
Douban_data_wash(html.read().decode())
if name == ‘main’:
#os.mkdir("./豆瓣数据")#创建文件夹用来保存数据,第一次运行,其它时间注释掉
for i in range(0, 10):
DouBanSpide(i)
time.sleep(random.randint(2, 10)) # 随机休眠2-10秒,防检测
首先user-Agent获取,进入豆瓣网,在网页内任意位置单机鼠标右键,鼠标左键单击检查,在弹出的对话框中逐次找到并点击network,all,选择任意资源,鼠标左键单击hearders,全选复制粘贴到文件夹中找到user-Agent。
本次实验利用urllib中的request对豆瓣网发出请求,利用split函数,对相关信息进行切片操作并利用for i in range()函数进行重复操作。