Python爬虫入门2

一、Requests获取豆瓣电影信息

1. 分析

  1. 请求URL
    - https://movie.douban.com/top250
  2. 请求方式
    - GET
  3. 请求头
    - User-Agent
    - Cookies
  4. 分页链接变化
    - 第二页:https://movie.douban.com/top250?start=25&filter=
    - 第三页:https://movie.douban.com/top250?start=50&filter=
    - 猜测第一页:https://movie.douban.com/top250?start=0&filter=
    - 结论:分页变化在start=后的参数

2. 实现

  1. 需要的信息
    - 电影名称、链接
    - 导演、主演
    - 年份、类型
    - 评分、评论
    - 简介、排名
  2. 代码
import re
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                  '(KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
}


# 爬虫三部曲
# 1.发送请求
def get_page(urls):
    response = requests.get(urls, headers=headers)
    return response


# 2.解析数据
def parse_index(html):
    res_str = '<div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?' \
              '<span class="title">(.*?)</span>.*?导演:(.*?)主演:(.*?)<br>(.*?)</p>.*?' \
              '<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?' \
              '<span class="inq">(.*?)</span>'
    index_res = re.findall(res_str, html, re.S)
    return index_res


# 3.保存数据
if __name__ == '__main__':
    num = 0
    for i in range(1):
        url = f'https://movie.douban.com/top250?start={num}&filter='
        num += 25
        print(url)

        page_res = get_page(url)

        movie_list = parse_index(page_res.text)
        for movie in movie_list:
            top, m_url, m_name, director, actor, year_type, point, commit, desc = movie
            director = director.replace('&nbsp;', '').strip()
            actor = actor.strip()
            year_type = year_type.strip('\n').replace('&nbsp;', '').strip()
            with open("top250.txt", mode='a', encoding='utf-8') as file:
                file.writelines('-' * 40)
                file.writelines('\n电影排名:' + top)
                file.writelines('\n电影url:' + m_url)
                file.writelines('\n电影名称:' + m_name)
                file.writelines('\n电影导演:' + director)
                file.writelines('\n电影主演:' + actor)
                file.writelines('\n年份类型:' + year_type)
                file.writelines('\n电影评分:' + point)
                file.writelines('\n电影评论:' + commit)
                file.writelines('\n电影简介:' + desc + '\n')

            print('-' * 40)
            print(f'''
            电影排名:{top}
            电影url:{m_url}
            电影名称:{m_name}
            电影导演:{director}
            电影主演:{actor}
            年份类型:{year_type}
            电影评分:{point}
            电影评论:{commit}
            电影简介:{desc}
            ''')

结果

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

            电影排名:1
            电影url:https://movie.douban.com/subject/1292052/
            电影名称:肖申克的救赎
            电影导演:弗兰克·德拉邦特 Frank Darabont
            电影主演:蒂姆·罗宾斯 Tim Robbins /...
            年份类型:1994/美国/犯罪 剧情
            电影评分:9.6
            电影评论:1468896
            电影简介:希望让人自由。
            
----------------------------------------

            电影排名:2
            电影url:https://movie.douban.com/subject/1291546/
            电影名称:霸王别姬
            电影导演:陈凯歌 Kaige Chen
            电影主演:张国荣 Leslie Cheung / 张丰毅 Fengyi Zha...
            年份类型:1993/中国大陆 香港/剧情 爱情 同性
            电影评分:9.6
            电影评论:1088428
            电影简介:风华绝代。
...

二、Selenium

1. 简介

  1. 说明
    selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法执行javascript代码的问题,原理是驱动浏览器执行一些设定好的操作。
  2. 优点
    执行JS代码,不需要分析复杂的网站通信流程,可以对浏览器做弹窗、下拉等动作,获取动态数据,可处理登录验证
  3. 缺点
    执行效率低
  4. 安装与使用
  • 安装库 pip install selenium
  • 谷歌浏览器 https://www.google.cn/chrome/
  • 安装浏览器驱动 http://npm.taobao.org/mirrors/chromedriver/2.38/ chromedriver_win32.zip

2. 代码

from selenium import webdriver  # 用来驱动浏览器的
from selenium.webdriver.common.by import By  # 按照什么方式查找,By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
from selenium.webdriver.support import expected_conditions as EC  # 和下面WebDriverWait一起用的
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

# driver = webdriver.Chrome(r'绝对路径/chromedriver.exe')
driver = webdriver.Chrome('chromedriver.exe')
try:
    driver.get('https://www.jd.com')
    # 获取显式等待对象10秒
    # 可以等待某个标签加载10秒
    # 显示等待,等待某个元素被加载
    wait = WebDriverWait(driver, 10)

    # 查找元素id为key的搜索框
    input_tag = wait.until(EC.presence_of_element_located((By.ID, 'key')))

    # 在搜索框内输入商品名称
    input_tag.send_keys('抱枕')
    # 按下键盘回车键
    input_tag.send_keys(Keys.ENTER)
    time.sleep(10)

finally:
    driver.close()

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值