看了下,很多人都有写如何爬豆瓣,遂当做一个学习课题,写出来看看啊。本文主要分一下几个部分:
分析豆瓣top页面,构建程序结构
依次写出代码
整理代码
分析豆瓣top页面,构建程序结构
1.首先打开网页http://movie.douban.com/top250?start,也就是top页面
然后试着点击到top100的页面,注意带top100的链接依次为
http://movie.douban.com/top250?start=0
http://movie.douban.com/top250?start=25
http://movie.douban.com/top250?start=50
http://movie.douban.com/top250?start=75
2.然后通过查看源码,发现电影名的代码如下:
肖申克的救赎
/ The Shawshank Redemption
如图,因为有一些英文名等描述,通过正则抓取有些干扰,可能还需要后续过滤。
根据以上信息,此程序主要分以下3个步骤:
构建url地址池
抓取top100电影名称
依次打印输出
依次写出代码
1.构建url地址池。代码如下:
import urllib2
import re
# ----------确定url地址池------------
pre_url = 'http://movie.douban.com/top250?start='
top_urls = []
# 因为top100,每页25部电影,故为4页,从零开始
for num in range(4):
top_urls.append(pre_url + str(num * 25))
2.抓取top100电影名称
# ------------抓取top100电影名称----------
top_content = []
top_tag = re.compile(r'(.+?)')
for url in top_urls:
content = urllib2.urlopen(url).read()
pre_content = re.findall(top_tag, content)
# 过滤不符合条件的list,得到最后的top100的list
for item in pre_content:
if item.find(' ') == -1:
top_content.append(item)
3.打印输出
top_num = 1
for item in top_content:
print 'Top' + str(top_num) + ' ' + item
top_num += 1
整理代码
我还是python新手,还没有太多的pythonic思想,也没有代码优化技巧,只能说是整理。
其次,个人习惯,在简单的代码里面我还是喜欢少用函数,尽量不隐藏代码的逻辑。
以下代码请参考,并欢迎提意见,希望得到大家的意见,谢谢!
整理后的代码如下:
# coding=utf-8
'''
本代码为自动抓取豆瓣top100电影代码
@pre_url url地址前缀,在这里为http://movie.douban.com/top250?start=
@top_urls url地址池
@top_tag 为抓取电影名正则表达式
'''
import urllib2
import re
pre_url = 'http://movie.douban.com/top250?start='
top_urls = []
top_tag = re.compile(r'(.+?)')
top_content = []
top_num = 1
# ----------确定url地址池------------
# 因为top100,每页25部电影,故为4页,从零开始
for num in range(4):
top_urls.append(pre_url + str(num * 25))
# ------------抓取top100电影名称,并打印输出----------
top_tag = re.compile(r'(.+?)')
for url in top_urls:
content = urllib2.urlopen(url).read()
pre_content = re.findall(top_tag, content)
# 过滤并打印输出
for item in pre_content:
if item.find(' ') == -1:
print 'Top' + str(top_num) + ' ' + item
top_num += 1