Python爬虫实例：豆瓣Top250榜单爬取

Python爬虫实例：豆瓣Top250榜单爬取

数据库课程设计需要一批真实的电影数据，故博主选择豆瓣Top250榜单作为数据来源。

本次爬虫任务较为简单，唯一的难点在于正则语句的编写，故不进行分析。博主参考并改进了杨茜麟提供的代码，在其基础上增加了几个爬取的属性，最终爬取的属性为：排名、名字、导演、年份、地区、类型、评分。

代码如下：

import json 
import requests 
from requests.exceptions import RequestException 
import re 
import time 
#判断爬取是否错误
def get_one_page(url): 
    try: 
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36' 
        }
 
        response = requests.get(url, headers=headers) 
        if response.status_code == 200: 
            return response.text 
        return None 
    except RequestException: 
        return None 
     
def parse_one_page(html): 
   pattern = re.compile('<li>.*?<em class="">(.*?)</em>.*?title.*?>(.*?)</span>.*?<p class="">.*?导演: (.*?)&nbsp.*?<br>\n                            (.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)\n.*?<span class="rating_num" property="v:average">(.*?)</span>',re.S) 

   items = re.findall(pattern, html)
   for item in items: 
        yield {'排名': item[0], 
            '名字': item[1], 
            '导演': item[2],
            '年份': item[3],
            '地区': item[4],
            '类型': item[5],
            '评分': item[6]
        } 

def write_to_file(content): 
    with open('douban250.txt', 'a', encoding='utf-8') as f: 
        f.write(json.dumps(content, ensure_ascii=False) + '\n') 
     
def main(offset): 
    url = 'https://movie.douban.com/top250?start='+str(offset)+'&filter=' 
    html = get_one_page(url) 
    for item in parse_one_page(html): 
        write_to_file(item) 

if __name__ == '__main__': 
    for i in range(10): 
        main(offset=i * 25) 
        time.sleep(1)

在实际测试中发现豆瓣的反爬机制较弱，只要不过分地请求均不会封禁ip，可直接进行爬取。

部分爬取结果展示：

原文链接：https://blog.csdn.net/chandler_scut/article/details/108320439