#coding:utf-8
import urllib2
import bs4
from bs4 import BeautifulSoup
#爬取豆瓣网电影简介,包括电影名,导演,评分以及介绍等
class DBTOP():
def __init__(self):
self.usr_agent='Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
self.headers={'Usr_Agent':self.usr_agent}
self.pageIndex=0
def getHtml(self,pageIndex):
#http://movie.douban.com/top250?start=0&filter=&type=%3Ctype%20%27type%27%3E
#http://movie.douban.com/top250?start=25&filter=&type=%3Ctype%20%27type%27%3E
#http://movie.douban.com/top250?start=50&filter=&type=%3Ctype%20%27type%27%3E
#发现网页的规律,填写好url。
#开始写的是url='http://movie.douban.com/top250?start='+str(pageIndex)+'&filter=&type=%3Ctype%20%27type%27%3E'
#后来发现去掉&filter=&type=%3Ctype%20%27type%27%3E也可以
try:
url='http://movie.douban.com/top250?start='+str(pageIndex)
request=urllib2.Request(url,headers=self.headers)
page=urllib2.urlopen(request)
html=page.read()
return html
except urllib2.URLError,e:
if hasattr(e,'reason'):
print u"连接失败",e.reason
return None
def getItems(self):
#这是开始定义的方法L=[0,25,50,75,100,125,150,170,200,225],具体是忘了range的所有参数
L=range(0,226,25)
for pageIndex in L:
html=self.getHtml(pageIndex)
soup=BeautifulSoup(html)
#分析源代码,发现所需内容都在<li>标签中,但并不是一开始就在,需要进行索引取值
li_list=soup.find_all("li")
l=range(19,44)
f=open('doubantop250.txt','a+')
for i in l:
f.write(li_list[i].get_text("|",strip=True).encode('utf-8')+'\n')
f.close()
spider=DBTOP()
spider.getItems()
小某说:
关于range()函数的用法:
range(初始值,结束值,间隔值)//range(start,stop,step)
1.初始值一般默认为0。range(5)=range(0,5)
2.结束值一般不包括本身。range(0,5)表示[0.1.2.3.4]
3.间隔值不设置时默认为1。range(0,5)=range(0,5,1),range(0,5,2)则表示隔两个一取值,即[0,2,4]