爬取豆瓣top250

直接看代码吧：

import requests
from bs4 import BeautifulSoup
import re
import pandas
 
headers = {
'Host':'movie.douban.com',
'Origin':'movie.douban.com',
'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Mobile Safari/537.36',
}
base_url = 'https://movie.douban.com/top250?start={}&filter='
proxy_dict = {
"http": "http://用户名:密码@代理域名:端口号/",
"https": "http://用户名:密码@代理域名:端口号/"
}
 
response = requests.get('https://movie.douban.com/top250?start=0&filter=', proxies=proxy_dict,headers = headers)
if response.status_code == 200:
	#print(response.text)
	#f = open('20.txt','wb+')
	#f.write(response.text.encode("utf-8"))
	pass

	pattern1 = re.compile('<div.*?class="item">.*?<div.*?class="pic">.*?<a.*?href="(.*?)">', re.S) # 去掉所有换行符，并用正则表达式去匹配每一个页面的具体电影 re.S就是去掉换行符，正则表达式提取电影的网站地址
	urls = re.findall(pattern1, response.text)
	directors = [] # 导演
	names = [] # 电影名
	stars = [] # 主演
	countrys = [] # 电影的出产地
	languages = [] # 电影语言

	headers_urls = {
	'Host':'movie.douban.com',
	'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
	}

	# <span property="v:itemreviewed">肖申克的救赎 The Shawshank Redemption</span>
	# <a href="/celebrity/1047973/" rel="v:directedBy">弗兰克·德拉邦特</a>
	# <a href="/celebrity/1054521/" rel="v:starring">蒂姆·罗宾斯</a>

	def base_urls(base_url):
		urls = []
		# 这里我们只能前两页做测试，所以range只设置到了50
		# for i in range(0, 275, 25):
		# true_url = base_url.format(i)
		# print(true_url)
		for i in range(0, 50, 25):
			true_url = base_url.format(i)
			print("true_url is:"+str(true_url))

			response = requests.get(true_url,proxies=proxy_dict,headers=headers)
			if response.status_code == 200:
				# print(response.text)
				
				pattern1 = re.compile('<div.*?class="item">.*?<div.*?class="pic">.*?<a.*?href="(.*?)">',re.S)
				# 去掉所有换行符，并用正则表达式去匹配每一个页面的具体电影
				url = re.findall(pattern1, response.text)
				# 因为这里是用findall，他返回的是一个列表，如果我们直接append，会导致列表嵌套，故我们这里用个for循环提取出列表的元素再append进去

				for i in url:
					urls.append(i)

		return urls

	def parse_url(urls):
		# 因为只拿前两页做测试，所以range设置到50
		for i in range(0, 50, 1):
			res = requests.get(urls[i],proxies=proxy_dict,headers = headers_urls)
			print("res is:"+str(res))
			#filename = str(i)+".txt"
			#f = open(filename,'wb+')
			#f.write(res.text.encode("utf-8"))
			if res.status_code == 200:
				soup = BeautifulSoup(res.text, 'lxml')
				#BeautifulSoup 解析xml
				#filename2="soup_"+str(i)
				#f1 = open(filename2,'wb+')
				#f1.write(soup.span.encode("utf-8"))
				# 爬取电影名
				name = (soup.find('span', property="v:itemreviewed"))
				names.append(name.text)
				# print(names)

				# 爬取导演
				director = soup.find('a', rel="v:directedBy")
				directors.append(director.text)
				# print(director.text)

				# 爬取明星
				star_save = []
				for star in soup.find_all('a', rel="v:starring"):
					star_save.append(star.text)
					stars.append(star_save)
					#print(stars)

					# 爬取制片国家
					#<span class="pl">制片国家/地区:</span> 美国<br>
					# 学到的知识点：通过匹配文本内容找下个兄弟节点
					country = soup.find('span', text='制片国家/地区:').next_sibling[1:]
					countrys.append(country)
					# print(countrys)

					# 爬取影片语言
					# <span class="pl">语言:</span>
					language = soup.find('span', text='语言:').next_sibling[1:]
					languages.append(language)
					# print(language)

					# print(directors)
					# print(true_director)
					# print(a)

					if __name__ == '__main__':
						base = base_urls(base_url)
						#base = 'this is a test'
						print(base)
						print(len(base))
						parse_url(base)
						#print(countrys)
						#print(directors)
						#print(languages)
						#print(names)
						#
						# 最后我们将数据写入到一个excel表格里
						info ={'Filmname':names, 'Directors':directors, 'Country':countrys, 'Languages':languages}
						pdfile = pandas.DataFrame(info)
						pdfile.to_excel('DoubanFilm.xlsx', sheet_name="豆瓣电影")### 

注意：

1.如果有权限访问豆瓣，就不需要代理，每个地方获取网站数据的时候，去掉代理参数就行。如：

res = requests.get(urls[i],headers = headers_urls)

2.headers参数是告诉服务器，请求需要的一些要求，比如浏览器版本，默认语言编码等，这个可以百度一下，很容易看懂。

3.注意正则表达式的使用、xml是怎么解析的等知识的补充。

转自：https://blog.csdn.net/weixin_44106928/article/details/89192740