1.user-Agent获取
2.对request头进行封装
url = "https://movie.douban.com/top250?start="+str(i*25)
user_agent = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}#字典形式,也可以通过其它形式进行
req = request.Request(url=url, headers=user_agent)
html = request.urlopen(req)
Douban_data_wash(html.read().decode())
3.数据清洗
通过基础的split方式进行切割,获取所需要的排名,电影名,评分,评价人数等信息。注意对split左右的获取。
4.源代码
import os
import random
import time
from urllib import request
def Douban_data_wash(text1):
text1 = text1.split('<h1>豆瓣电影 Top 250</h1>')[1]#切去网页头
for i in range(0, 25):
text = text1.split('</li>')[i]#切片
# <img width="100" alt="肖申克的救赎" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
rank = text.split('<em class=\"\">')[1].split("</em>")[0]#获取排名
title = text.split('</span>')[0].split('>')[-1].strip()#获取电影名
pic_url = text.split('<img width=\"100\" ')[1].split("src=\"")[1].split("\" class=\"")[0]#获取图片url
request.urlretrieve(pic_url, filename="./豆瓣数据/"+title + ".jpg")#下载图片
rate = text.split('v:average\">')[1].split('</span>')[0]#评分
number = text.split('star')[1].split('<span>')[1].split('</span>')[0]#评分人数
try:
quote = text.split('inq')[1].split('>')[1].split('<')[0]#部分电影无推荐理由,抓取可能出现的异常indexoutofrange
except:
print(rank + "该处评价为空")
quote = " "#设置推荐理由为空
file = open("./豆瓣数据/豆瓣数据.txt","a")#追加方式写文件
file.write("排名:"+rank+",《"+title+"》,豆瓣评分"+rate+",评价人数:"+number+"。推荐理由:"+quote+"\n")#以追加方式写入文件
file.close()
print("排名{},《{}》,豆瓣评分{},{}。推荐理由:{}".format(rank, title, rate, number, quote))
def DouBanSpide(i):
url = "https://movie.douban.com/top250?start="+str(i*25)
user_agent = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}#头部
req = request.Request(url=url, headers=user_agent)#为request加头部
html = request.urlopen(req)#
Douban_data_wash(html.read().decode())#数据清洗
if __name__ == '__main__':
#os.mkdir("./豆瓣数据")#创建文件夹用来保存数据,第一次运行,其它时间注释掉
for i in range(0,10):
DouBanSpide(i)
time.sleep(random.randint(2,10))#随机休眠2-10秒,防检测