2021-04-19

Requests爬虫实践

项目名称：豆瓣电影top250的所有电影的名称
项目url:http://movie.douban.com/top250
1.构建请求头

hearder={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36",
"host":"movie.douban.com"}

可以看出只有第一页内容。如果需要获取所有的250页内容，就需要获取总共10页的内容
通过单击第二页就发现网页地址变成了：http://movie.douban.com/top250？start=25
第三页的地址为：http://movie.douban.com/top250？start=50
通过以上分析，可以通过for循环，翻页获取内容

  import requests
def get_movies():
	hearders={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36",
"host":"movie.douban.com"}
	for i in range(0,10):
		link = "http://movie.douban.com/top250?start=" +str(0*i)
		r = requests.get(link,headers=hearders,timeout=3)
		print(i,"页面状态响应码:",r.status_code)
		print(r.text)
get_movies()

得到的结果只是网页的html代码，我们需要从中提取需要的电影名称

import requests
from bs4 import BeautifulSoup
movie_list = []
def get_movies():
    
    hearders={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36",
"host":"movie.douban.com"}
    for i in range(0,10):

        link = "http://movie.douban.com/top250?start=" +str(0*i)
        r = requests.get(link,headers=hearders,timeout=3)
        soup = BeautifulSoup(r.text,"lxml")           #转换对象，将“r.rext”，转换为BeautifulSoup对象
        div_list = soup.find_all("div",class_ ="hd")    #组合查询、
        for each in div_list:
            
            movie = each.a.span.text.strip()
            movie_list.append(movie)
    return movie_list
movies=get_movies()
print(movies)