Python爬虫实战(1) | 爬取豆瓣网排名前250的电影（上）

今天我们来爬取一下豆瓣网上排名前250的电影。

需求：爬取豆瓣网上排名前250的电影，然后将结果保存至一个记事本里。

开发环境：

python3.9

pycharm2021专业版

我们先观察网页，看看它的url规律：

第一页：https://movie.douban.com/top250?start=0&filter=

第二页：https://movie.douban.com/top250?start=25&filter=

第三页：https://movie.douban.com/top250?start=50&filter=

不难看出，页数每次加1，url里面start的值就加20，一共有10页，start的值最大为225。

这是因为1页里面有25部电影。一共有10页，也就是250部电影。

接着我们再看看要获取电影的名称的html内容规律：

按住键盘的F12键，进入到网页的审查元素板块

点击右上角的图标之后回到网页进行点击网页内的一个元素，进行元素审查

这里我们点击电影名称，就能获得它的html内容了

接着我们看下它的规律，方便后续的正则匹配：

<span class="title">肖申克的救赎</span>
<span class="title">霸王别姬</span>

之后导入我们的urllib模块和re模块

• urllib.request 模块：提供了最基本的构造 HTTP 请求的方法，利用它可以模拟浏览器的一个请求发起过程，同时它还带有处理 authenticaton （授权验证）， redirections （重定向)， cookies (浏览器Cookies）以及其它内容
• urllib.error模块：用来捕获异常
• re模块：正则表达式，来匹配要获取的资源

import urllib.request
import urllib.error
import re

我的代码总共分为四个部分：

主函数

if __name__ == "__main__":
  pass

get_pages()函数：

用来发送网络请求，获取所需网页内容

def get_pages(url):
  pass

parse_content()函数：

对返回到的网页内容进行解析，再通过正则表达式匹配规则来获得所需要的网络资源：电影名称

def parse_content(content):
  pass

print_list()函数：

将获得到的电影列表写进一个记事本里

def print_list(url):
  pass

主函数

根据上文给出的url规律来设置while循环，让页数从0开始每次循环都加25，最大值为225。

之后调用print_list()函数

 if __name__ == "__main__":
    pages = 0
    while pages <= 225:
        url = 'https://movie.douban.com/top250?start=%s' % pages
        print("正在爬取数据..........")
        pages += 25
        print_list(url)
    print("爬取完毕！")

get_pages()函数

防止网站有反爬虫机制，我们需要模拟浏览器来进行访问。

在网页的审查元素中找到user-Agent，写进去

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36 Edg/91.0.864.41'}

发起请求并返回网页html内容

.....
    try:
        response = urllib.request.Request(url, headers=headers)
        content = urllib.request.urlopen(response).read()
    except urllib.error.URLError as e:
        print("爬取%s失败......................")%url
        print('错误原因：'+e.reason)
    else:
        return content

parse_content()函数

正则匹配

pattern = re.compile(r'<span class="title">(.*?)</span>')
movies_list = re.findall(pattern, content)

print_list()函数

将电影名单写进一个记事本里，同时还要注意内容换行

 with open('豆瓣电影前250.txt', 'w', encoding='utf-8') as file:
        for i in movies_list:
            file.write(i+'\r\n')

源码

import urllib.request
import urllib.error
import re
​
​
def get_pages(url):
    """
    返回所要爬取网页的html内容
    """
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36 Edg/91.0.864.41'}
    try:
        response = urllib.request.Request(url, headers=headers)
        content = urllib.request.urlopen(response).read()
    except urllib.error.URLError as e:
        print("爬取%s失败......................")%url
        print('错误原因：'+e.reason)
    else:
        return content
​
​
def parse_content(content):
    """
    对返回到的内容进行解析，获取所要资源：电影名称,并且放进列表里面
    """
    content = content.decode('utf-8')
    pattern = re.compile(r'<span class="title">(.*?)</span>')
    movies_list = re.findall(pattern, content)
    return movies_list
​
​
def print_list(url):
    """
    打印电影名单,并写入文件里面
    """
    content = get_pages(url)
    movies_list = parse_content(content)
    with open('豆瓣电影前250.txt', 'w', encoding='utf-8') as file:
        for i in movies_list:
            file.write(i+'\r\n')
​
​
if __name__ == "__main__":
    """
    爬取豆瓣网排名前250的电影
    """
    pages = 0
    while pages <= 225:
        url = 'https://movie.douban.com/top250?start=%s' % pages
        print("正在爬取数据..........")
        pages += 25
        print_list(url)
    print("爬取完毕！")

我们来看一下结果

我们可以看到，结果并不是很如我们所愿，这是为什么呢？

我们重新查看网页元素，发现了这么一个现象

我们的正则匹配规则是这样的

pattern = re.compile(r'<span class="title">(.*?)</span>')

可以看到，这个匹配规则会将上面这两个网页元素一起匹配出来，就会导致我的爬取出来的电影列表里有这样一串不知名字符串。

那么有没有更好的办法呢？

肯定是有的，在下一集我们将使用一个俗称“靓汤”的模块，有了这个模块，我们的问题可以彻底解决，并且让我们爬虫更加得心应手。