在学习了python基础后,一心想着快速入门爬虫,因为我就是为爬虫而学的python,所以就找了这个豆瓣电影来爬取。好了,废话不多说,进入正题
1.找到网页并分析网页结构
首先进入豆瓣电影Top250这个网页,按下f12打开开发者工具,如下图
1802039651.png
然后开始分析网页,点击开发者工具左上角的有个箭头的东西去找你需要找的数据,在这里我发现每个电影的信息都是在
- 的标签内,所以可以用正则表达式来先提取每一个电影,然后在分别提取每个电影中的数据。每个电影现在的数据都可以获取了,但是这个url只有25个电影,怎样获取下一页的呢?这里我们可以在每个页面获取下一页的链接,然后通过循环来继续获取下一页的电影数据即可
-
1802039785.png
我们可以先用开发者工具的箭头点一下后页,然后就显示右边的箭头数据出来,这里我们也可以用正则表达式来获取下一页的链接,然后接下来的工作就是循环了,好了分析结束,开始敲代码吧!
2.用面向对象的方法进行爬取数据
先用requests对网页进行请求,获取网页的html结构,在这里,为了防止网页的反爬虫技术,我加了个请求头(记得使用requests库之前先导入,没有的可以在命令行通过 pip install requests 进行下载)
1802035432.png
请求头在开发者工具中查看,如下图所示
1802037188.png
接下用正则表达式进行获取数据
先匹配每一个电影和每一页数据(使用正则表达式的库是re)
1802033229.png1802034633.png
接下来获取每个电影的数据1802036920.png1802034583.png
注意:获取到上面的数据,有的是空的,所以还需要进行判断是否为空,为了好看,我用了三元表达式进行判断,完成之后把他们存入字典1802038436.png
接下来就是进行循环取下一页的数据了1802039430.png
3.如果你有点数据库基础的话,还可以把他们存入数据库,在这里我把这些数据存入MySQL数据库,代码如下,需要自己先建好数据库好表格
这是操作数据库的类(使用的库为pymysql)1802034586.png1802036544.png
然后回到爬虫类进行把数据存入数据库
1802033864.png
4.成功后你就会在数据库中查到以下数据1802032445.png
原文链接
服务推荐