上篇文章主要讲了爬虫的几种方式的概念和技巧,不了解或者不太熟悉可以再看看:
文章开始之前先讲一下大概步骤,先是确定 URL 格式。
1.首先豆瓣所在的地址为:
https://movie.douban.com/top250?start=00&filter= (不懂得看解释)
https:// 代表使用的资源传输 https 协议。不加 s 的是不加保密协议
movie.douban.com 豆瓣的二级域名,指向主服务器
/top250 主服务中分枝的资源。为一个定位符
?start=00&filter= URL的两个参数开始从什么地方展示和过滤条件。通过修改这个的参数值可以找到不同段的东西
2.页面抓取
这里使用的是 requests 库发送页面请求获取服务器传来的响应,随后利用BeautifulSoup库完成对网页代码的解析
这个需要准备工做请确保已经安装好了第三方 requests 库、BeautifulSoup 库等如果没有安装请使用cmd打开命令行界面,并逐行键入以下代码等待一大串安装过程后再重新启用 Pycharm :
pip install requests
pip install bs4
随后的提取分析和写入文件详细在正文中介绍。
正文
上面的是属于利其器。正文才是善其事。
抓取分析
本次抓取的信息内容比较简单。只需要利用 requests 库向指定网站发送请求,获取服务器传来的响应,随后利用BeautifulSoup库完成对网页代码的解析,同时为了进一步防止触发反爬虫机制。具体分析如下:
首先,我们本次爬取的网站是
https://movie.douban.com/top250?start=00&filter=
右键点击 检查
按钮,或者直接按下 F12
进入开发者界面,点开 Network
一栏,并按下 F5
刷新按钮,必要时请按下 CTRL
+ F5
组合键完成页面的刷新。随后我们点击刷新后出现的第一个子栏目。如下图所示:
观察表单中的相关信息
这里我们可以看到,网站请求的 Request URL
,再往下翻观察 Request Headers
信息,为了避免触发反爬虫机制,我们要尽量把爬虫程序做的更像是人在浏览网页。
接下来便是对网页的提取与保存,我们开始今天的爬虫工作。
爬取信息与保存
在安装完毕我们在一开始介绍的第三方库后,这里我们需要首先导入这些文件才能够进行后续的操作。
import requests
from bs4 import BeautifulSoup
网页请求头的设置
为了使爬虫程序模拟的更像人在操作,因此我们添加了请求过程中一些比较重要的请求头信息,并将其整理成一个请求函数,具体如下:
def get_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
'Host':'movie.douban.com'
}
r = requests.get(url,headers = headers)
return r
接下来我们便开始网页的爬取工作。
数据的爬取与保存
首先,我们需要对单个网页的信息进行爬取,通过对响应代码的分析,我们利用 BeautifulSoup 库完成对代码的解析。同时将其定义为 get_pictures_url()
函数。具体如下:
def get_pictures_url(url,number):
r = get_page(url)
Number = 0 + number * 25
if r.status_code == 200:
soup = BeautifulSoup(r.content)
pictures_url = soup.find_all('div',class_="item")
for pictures in pictures_url:
Number += 1
try:
with open('top250.txt','a') as f:
print('正在存储top第{}'.format(Number))
f.write('TOP排名:' + str(Number) + '\n')
f.write('源网页:' + pictures.find('a',class_="")['href'] + '\n')
f.write('海报地址:' + pictures.find('img', class_="")['src'] + '\n')
f.write('片名:' + pictures.find('img', class_="")['alt'] + '\n')
f.write(pictures.find('div', class_="bd").p.get_text()[29:40] + '\n')
f.write('一句话介绍:' + str(pictures.find('span', class_='inq').string) + '\n\n\n')
f.flush()
print("%s已存储" % pictures.find('img', class_="")['alt'])
except:
print('Fail download')
单个网页的内容收集完毕后,我们需要获取如何跳入下一页。这里我们发现,通过更改不同页数的网页 URL 之间的 pageNum
参数,可以实现网页之间的切换。
https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=
这里不懂得看上面的对 URL 的解释中提到了。
启动程序
最后,键入以下代码便能够实现整个程序的运行:
if __name__ == "__main__":
for i in range(11):
get_pictures_url("https://movie.douban.com/top250?start={}&filter=".format(i*25),i)
print('-------------------------------------')
print('数据保存完毕')
很感谢Python通的小尚同学很多代码是这大佬完成的。在爬虫程序完成后,会在文件保存的根目录下出现 top250.txt
的文件。此外,本次爬虫只限于对数据的爬取与保存工作,其余工作没做。
这是最终结构。