爬取豆瓣电影Top250影片信息
- 查看影片的详细信息
- 爬取过程
-
- 需安装的包
- 确定爬取地址
- 发送请求头
- 解析数据
- 保存数据
- 完整代码
查看影片的详细信息
进入豆瓣电影Top250，选择某一影片，右击，选择“检查元素”。
爬取过程
需安装的包
安装requests、etree、json。
// An highlighted block
import json
import requests
from lxml import etree
确定爬取地址
由于豆瓣电影Top250是分页的，即计划爬取的影片信息分布在不同的页面上，其对应的网址不同，故需对不同的爬取地址统一格式。
代码如下：
// An highlighted block
url_list=[]
base_url="https://movie.douban.com/top250?start={}&filter="
for i in range0,10):url=base_url.formati*25)url_list.appendurl)
printurl_list)
发送请求头
很多网站有反爬虫机制，如果发送没有haeders信息的请求，会被认为是爬虫，则会被禁止请求。设置header，通过request发送请求头。header中必须包含的信息有User_Agent，还可包括Host、Referer、Cookie等，查看方式如下。
发送请求代码如下：
// An highlighted block
header={ " Host": "movie.douban.com"，"User-Agent": "Mozilla/5.0 Windows NT 10.0; Win64; x64) AppleWebKit/537.36 KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"#Referer Cookie
}
for url in url_list:data=requests.geturl,headers=header,allow_redirects=False).content.decode)printdata)
解析数据
可利用BeautifulSoup或etree.HTML解析数据，此处使用后者。
// An highlighted block
xpath_data=etree.HTMLdata)
通过下图，可以看到每一影片的完整信息对应的源代码为<div class="item">，影片题目对应的源代码为<a href="https://movie.douban.com/subject/1292052/">，影片导演及出版信息等对应的源代码为<p class="">，影片评分对应的源代码为<div class="star">，影片简介对应的源代码为<p class="quote">。
进一步解析代码如下：
// An highlighted block
xpath_data=etree.HTMLdata)
movie_list=xpath_data.xpath'//div[@class="item"]') #获取每一部电影的全部信息
data_list=[]
for movie in move_list:movie_dic={}movie_dic['herf']=movie.xpath'.//div[@class="hd"]/a/@herf')[0] #获取每一部电影的链接movie_dic['name']=movie.xpath'.//a/span/text)')[0] #获取每一部电影的名字movie_dic['dir&act']=movie.xpath'.//div[@class="bd"]/p/text)')[0] .replace'\n','').replace' ','') #获取每一部电影的导演和演员movie_dic['year&coun&class']=movie.xpath'.//div[@class="bd"]/p/text)')[1] .replace'\n','').replace' ','') #获取每一部电影的放映时间、出版国家、标签movie_dic['rating']=movie.xpath'.//div[@class="star"]/span/text)')[0] #获取每一部电影的评分movie_dic['comment']=movie.xpath'.//div[@class="star"]/span/text)')[1] #获取每一部电影的评论人数movie_dic['summary']=movie.xpath'p[@class="quote"]/span/text)')[0].replace' ','') #获取每一部电影的简介data_list.appendmovie_dic)
printdata_list)
保存数据
将解析得到的数据保存为json格式，代码如下：
// An highlighted block
json.dumpdata_list,open'movie_250.json','w',encoding='UTF-8'))
完整代码
爬取豆瓣电影Top250影片信息的完整代码如下：
// An highlighted block
import json
import requests
from lxml import etree
#构建所有的url
base_url="https://movie.douban.com/top250?start={}&filter="
url_list=[]
for i in range0,10):url=base_url.formati*25)url_list.appendurl)
printurl_list)#数据爬取
header={"Host": "movie.douban.com","User-Agent": "Mozilla/5.0 Windows NT 10.0; Win64; x64) AppleWebKit/537.36 KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"#Referer Cookie
}
data_list=[]for url in url_list:#发送请求data=requests.geturl,headers=header,allow_redirects=False).content.decode)printdata)#解析数据xpath_data=etree.HTMLdata)movie_list=xpath_data.xpath'//div[@class="item"]') #获取每一部电影的全部信息for movie in movie_list:movie_dic={}movie_dic['herf']=movie.xpath'.//div[@class="hd"]/a/@href')[0] #获取每一部电影的链接movie_dic['name']=movie.xpath'.//a/span/text)')[0] #获取每一部电影的名字movie_dic['dir&act']=movie.xpath'.//div[@class="bd"]/p/text)')[0] .replace'\n','').replace' ','') #获取每一部电影的导演和演员movie_dic['year&coun&class']=movie.xpath'.//div[@class="bd"]/p/text)')[1] .replace'\n','').replace' ','') #获取每一部电影的放映时间、出版国家、标签movie_dic['rating']=movie.xpath'.//div[@class="star"]/span/text)')[0] #获取每一部电影的评分movie_dic['comment']=movie.xpath'.//div[@class="star"]/span/text)')[1] #获取每一部电影的评论人数movie_dic['summary']=movie.xpath'.//p[@class="quote"]/span/text)') #获取每一部电影的简介data_list.appendmovie_dic)#存储数据
json.dumpdata_list,open'movie_250.json','w',encoding='UTF-8'))
参考资料：廖雪峰爬虫课程