今天再次对电影网进行了一次信息爬取,和之前是有区别的,第一次爬取是对一个网页的爬取,网页的url是没发生变化的,这次爬取过程将整个网站10也得数据进行爬取,通过观察这些网页从而发现规律,不同的页面盖面的只有start=的值,因此我使用{}占位符来变化的输入start的信息,从而达到遍历10页的作用。
1.获取目标网页
# 第一页 'https://movie.douban.com/top250?start=0&filter='
# 第二页 'https://movie.douban.com/top250?start=25&filter='
doubanUrl = 'https://movie.douban.com/top250?start={}&filter='
2.解析目标网页,定义第一个函数,获取网页源代码,基本与之前一样
def getSource(url):
# 请求目标网页
response = requests.get(url)
# 为了防止出现乱码,也是用uft_8
response.encoding = "utf-8"
# print(response.text)
return response.content
3.定义·第二个函数,目的获取每个电影信息,这里获取网页信息时,没有像之前那样利用etree来调用,而是使用lxml.html来获取的信息,然后使用xpath来获取具体的有用信息,//代表着获取网页中标签为div的所有满足class为info的标签,然后将他们保存到列表中继续调用然后利用一个for循环对之前获取到的整体电