豆瓣电影Top250信息爬取并保存到excel文件中

效果图

话不多说，先上存储为excel文件后的效果图，这里只是简单的将爬取到的数据保存到文件中，没有对表格数据进行标准化处理。因为这涉及到另一个python用来处理表格的库，在这里就不过多的说明，稍后会有相关的文章涉及。

前言

对于豆瓣电影Top250的爬取是相对来说很简单的，尤其是对于新手来说，用该页面来当作爬虫的上手练习项目，是入坑爬虫的首选，很多爬虫初学者都会选择该项目作为入门练习。一直以来，本人都很少用函数式编程的方法来写爬虫代码，总是习惯于用简单的一条线式的编写方式，在这篇文章中采用的是函数式的编程方式。同时也涉及到用python来将数据写入excel表格，初步了解相关的用法。

确定目标网页url

通过查看网页源代码，我们知道该网页数据是静态数据，没有任何反爬机制，这也是前面为什么说作为入门爬虫的很好练手网页。点击鼠标右键，选择查看网页源代码，会弹出该页面的原始HTML代码，这时候我们按住CTRL+F，调出搜索框，搜索我们在浏览器中看到的数据。

再搜索其它电影的名字，同样也能搜索到，因此我们确定该页面就是静态网页，其目标url就是网址栏中的网址，如下图，如此我们就确定了索所要爬取的页面的url。

爬取过程

导入相关库

本次爬取过程中涉及到requests库，用于解析页面数据的lxml中的etree库以及将内容写入到excel文档中的xlwt库。如果没有相关库的朋友需要调出命令行，然后通过pip install 库名的方式进行安装。

import requests
from lxml import etree
import xlwt
#pip install requests
#pip install lxml
#pip install xlwt

页面内容的获取

通过requests库访问目标网页的数据，并确保能够获取到网页内容。

# 获取网页资源
def get_page_source(start_url,headers):
    response = requests.get(url=start_url,headers = headers)
    if response.status_code == 200:
        response.encoding = response.apparent_encoding
        page_data = response.text
        return page_data
    else:
        return "未连接到页面"

页面解析

获取到页面内容后，就是对页面内容进行解析，这里通过lxml库中的etree进行解析，然后用xpath语法进行对数据提取。

# 提取网页电影信息
def page_content(page_data):
    etree_data = etree.HTML(page_data)
    selector = etree_data.xpath('//*[@class="article"]/ol/li/div/div[2]')

数据提取

接下来我们就用xpath语法对解析过后的页面进行数据提取，分别提取电影名，评分，评论人数，以及每一部电影的标签或者寄语。

实现