Python实战 | 手把手教你爬取豆瓣电影 Top 250

主要目标

---

    

又是一个美好的周六, 祝大家一天好心情......

本次python实战，主要目标是利用python爬取豆瓣电影 Top 250信息，如上图所示。这些信息主要包括排名、片名、评分、上映时间、主演等信息。爬取的网址url是https://movie.douban.com/top250，爬取后的结果会保存在csv文件里面。

环境准备

---

环境：MAC + Python3.6 ;  IDE： Pycharm. 具体使用的模块如下。

import requests
import re
import json

但是如果你的系统上安装了anaconda，模块requests已经安装完成，但是pycharm不能识别。此时只需要使用preferences直接进行安装，入下图所示，点击+，直接安装即可。

爬取分析

---

我们的目标是爬取豆瓣电影 Top 250，打开网页发现共10个页面。也就是说我们需要解析10个页面，使用一个for循环来实现。当点击第二页时发现，网址也发生了变化，比之前多了参数start=25，具体的网址是  https://movie.douban.com/top250?start=25&filter=，显示的电影排名是从26到50，如图所示

根据以上分析，我们可以使用star作为循环计数器。如果显示的是star是n，则显示的电影排名是n+1~n+25,每页显示25个。具体代码实现如下

if __name__ == '__main__':
    #循环10次
    for i in range(10):
        main(start= i* 25)

爬取页面

---

对于每一个页面的爬取，我们使用的requests库。Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库。它比urllib更加方便，可以节约我们大量的工作。（用了requests之后，你基本都不愿意用urllib了）一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。默认安装好python之后，是没有安装requests模块的，需要单独通过pip安装或者使用pycharm软件安装（如上文所示）.

直接使用库requests中的get方法对目标网址发出申请。为了防止请求的页面没有成功，我们添加了捕获异常的代码块try,except。另外，如果多次爬取同一个网址，您的ip可能被封，不能在爬取任何信息。为了解决此问题，本次在代码中设置了代理信息，具体代码请扫描二维码获取

页面解析

---

当爬取到想要的信息以后，就可以对其解析，然后提取想要的信息。常见的方法有很多，比如正则表达式、xpath解析等。本文是使用正则表达式进行解析。

使用google浏览器，右键选择检查，查看需要爬取的网址源代码，具体如下。从图可得知，每一部电影的源代码是一个节点<li>节点，里面包含了所有的信息。比如在之后有一个子节点em里面包含了排名信息26. 

然后，我们用正则表达式提取排名。首先 使用<li>定位到包含电影信息的节点，然后使用通配符找到em节点，在使用非贪婪匹配来提取包括排名的信息，26.具体代码如下。

按照此方法，我们以此提取网页中的影片名称，比如《霸王别姬》、评分信息等，代码如下：。具体代码请扫描二维码获取

最后的结果如下：

保存文件

---

 

解析后的结果，我们使用write函数写入csv文件中，代码如下。

本次实战中，我们通过爬取豆瓣电影 Top 250，了解了requests和正则表达式的用法。

什么是Python实战圈？

已有1400人加入

提供清晰的多角度学习路径、快速学习运用python的圈子，

圈主是世界500强高级软件工程师，多年编码经验。

具体可以提供以下内容：

【基础】0基础入门python，24小时有人快速解答问题；

【提高】40多个项目实战，老手可以从真实场景中学习python；

【直播】不定期直播项目案例讲解，手把手教你如何分析项目；

【分享】优质python学习资料分享，让你在最短时间获得有价值的学习资源；圈友优质资料或学习分享，会不时给予赞赏支持，希望每个优质圈友既能赚回加入费用，也能快速成长，并享受分享与帮助他人的乐趣。

【人脉】收获一群志同道合的朋友，并且都是python从业者

【价格】本着布道思想，只需 69元 加入一个能保证学习效果的良心圈子。

长按下图二维码，了解python实战圈详情。