爬取电影网站笔记

import requests
from bs4 import BeautifulSoup
import pandas as pd

（该段为导入包）

page_indexs = range(0, 250, 25)

（构造分页数字列表，爬取的网页共有10页，每页的差别是25，所以生成10个从0开始，间隔25的数，以方便后面引用）

def download_all_htmls():
    """
    下载所有列表页面的HTML，用于后续的分析
    """
    htmls = []
    for idx in page_indexs:
        url = f"https://movie.douban.com/top250?start={idx}&filter="
        print("craw html:", url)
        r = requests.get(url,
                        headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)"})
        if r.status_code != 200:
            raise Exception("error")
        htmls.append(r.text)
    return htmls

（爬取函数）

htmls = download_all_htmls()

（执行爬取）

htmls[0]

（查看结果）

def parse_single_html(html):

（ """
    解析单个HTML，得到数据
    @return list({"link", "title", [label]})
    """）

 soup = BeautifulSoup(html, 'html.parser')
    article_items = (
        soup.find("div", class_="article")
            .find("ol", class_="grid_view")
            .find_all("div", class_="item")
    )
    datas = []
    for article_item in article_items:
        rank = article_item.find("div", class_="pic").find("em").get_text()
        info = article_item.find("div", class_="info")
        title = info.find("div", class_="hd").find("span", class_="title").get_text()
        stars = (
            info.find("div", class_="bd")
                .find("div", class_="star")
                .find_all("span")
        )
        rating_star = stars[0]["class"][0]
        rating_num = stars[1].get_text()
        comments = stars[3].get_text()
        
        datas.append({
            "rank":rank,
            "title":title,
            "rating_star":rating_star.replace("rating","").replace("-t",""),
            "rating_num":rating_num,
            "comments":comments.replace("人评价", "")
        })
    return datas

import pprint
pprint.pprint(parse_single_html(htmls[0]))

（引用包）

all_datas = []
for html in htmls:
    all_datas.extend(parse_single_html(html))

（执行所有的HTML页面的解析）

all_datas

（爬取十个页面的数据）

df = pd.DataFrame(all_datas)

(将数据存在DataFrame中)

df.to_excel("豆瓣电影TOP250.xlsx")

（输出在Excel中）