python爬虫——爬取豆瓣top250电影信息
获取豆瓣top250电影信息,包括电影海报链接、详情链接、中/外文名、评分、评价人数、一句话评价等
环境
- 系统 :macOS Catalina -V 10.15.4
- IDE :Vscode -V 1.46.0
- 语言 :Python -V 3.7.7
- 库 :urllib、bs4、re、ssl、xlwt
非自带包都是使用如下语句安装:
pip install package-name
实现步骤
URL:https://movie.douban.com/top250
对网页进行简单分析发现,一共有10个页,每个页面有25部电影的信息。
各页面的URL构成为
https://movie.douban.com/top250?start=i(i for i in range(10))
构造源码请求函数
伪装请求头,获取目标网页源码网页获取
import urllib.request, urllib.error
import ssl
def askURL(url):
'''
用于请求网页源码
'''
#部分网站会根据请求头中的User-Agent内容进行判断,如果是爬虫则限制访问,所以要对请求头进行伪装,模拟浏览器访问,根据需要还可添加其它头部信息
#User-Agent信息可以用Chrome打开网页,按F12打开Web检查器,在Network栏目下的Headers中可找到
head = {
}
head["User-Agent"] = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36"
request = urllib.request.Request(url, headers = head)
html = "" #用于接收网页的源码信息
context = ssl._create_unverified_context()
'''
当使用urllib打开https的链接时,会检验一次ssl证书.
而当目标网站使用的是自签名证书时,就会抛出urllib2.URLError的错误.
解决办法一:ssl._create_default_https_context = ssl._create_unverified_context 全局取消证书验证
解决办法二:创建未验证的上下文,在url中传入上下文参数 context = ssl._create_unverified_context()
'''
try:
response = urllib.request.urlopen(request, context= context)
html = response.read().decode() #read()函数获取到的是bytes类型的数据,decode()用于将其解码
except urllib.error.HTTPError as e:
if hasattr(e, "code"): #hasattr()判断一个对象是否含有某种属性
print(e.code) #code 为http状态码
if hasattr