欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python爬蟲入門教程01之爬取豆瓣Top電影

 更新時間：2021年01月24日 10:12:40   作者：嗨學編程  
這篇文章主要介紹了Python爬蟲入門教程01：豆瓣Top電影爬取的方法，本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下

前言

本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業(yè)用途,如有問題請及時聯(lián)系我們以作處理

基本開發(fā)環(huán)境

  •  Python 3.6
  • Pycharm

相關模塊的使用

  •  requests
  • parsel
  • csv

安裝Python并添加到環(huán)境變量，pip安裝需要的相關模塊即可。

爬蟲基本思路

在這里插入圖片描述

一、明確需求

爬取豆瓣Top250排行電影信息

  • 電影名字
  • 導演、主演
  • 年份、國家、類型
  • 評分、評價人數(shù)
  • 電影簡介

在這里插入圖片描述 

二、發(fā)送請求

Python中的大量開源的模塊使得編碼變的特別簡單，我們寫爬蟲第一個要了解的模塊就是requests。

在這里插入圖片描述
在這里插入圖片描述

請求url地址，使用get請求，添加headers請求頭，模擬瀏覽器請求，網頁會給你返回response對象

# 模擬瀏覽器發(fā)送請求
import requests
url = 'https://movie.douban.com/top250'
headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response)

在這里插入圖片描述

200是狀態(tài)碼，表示請求成功

2xx （成功）
3xx （重定向）
4xx（請求錯誤）
5xx（服務器錯誤）

常見狀態(tài)碼

  • 200 - 服務器成功返回網頁，客戶端請求已成功。
  • 302 - 對象臨時移動。服務器目前從不同位置的網頁響應請求，但請求者應繼續(xù)使用原有位置來進行以后的請求。
  • 304 - 屬于重定向。自上次請求后，請求的網頁未修改過。服務器返回此響應時，不會返回網頁內容。
  • 401 - 未授權。請求要求身份驗證。 對于需要登錄的網頁，服務器可能返回此響應。
  • 404 - 未找到。服務器找不到請求的網頁。
  • 503 （服務不可用） 服務器目前無法使用（由于超載或停機維護）。

通常，這只是暫時狀態(tài)。

 三、獲取數(shù)據(jù)

import requests
url = 'https://movie.douban.com/top250'
headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response.text)

在這里插入圖片描述

requests.get(url=url, headers=headers) 請求網頁返回的是response對象

response.text： 獲取網頁文本數(shù)據(jù)

response.json： 獲取網頁json數(shù)據(jù)

這兩個是用的最多的，當然還有其他的

apparent_encoding cookies  	history
iter_lines  ok						close   
elapsed  is_permanent_redirect 	json   
raise_for_status	 connection  	encoding  
is_redirect  links   	raw   
content  headers  	iter_content  
next   reason					url

四、解析數(shù)據(jù)

常用解析數(shù)據(jù)方法： 正則表達式、css選擇器、xpath、lxml…

常用解析模塊：bs4、parsel…

我們使用的是 parsel 無論是在之前的文章，還是說之后的爬蟲系列文章，我都會使用 parsel 這個解析庫，無它就是覺得它比bs4香。

parsel 是第三方模塊，pip install parsel 安裝即可

parsel 可以使用 css、xpath、re解析方法

在這里插入圖片描述

所有的電影信息都包含在 li 標簽當中。

# 把 response.text 文本數(shù)據(jù)轉換成 selector 對象
selector = parsel.Selector(response.text)
# 獲取所有l(wèi)i標簽
lis = selector.css('.grid_view li')
# 遍歷出每個li標簽內容
for li in lis:
 # 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數(shù)據(jù) get()輸出形式是 字符串獲取一個 getall() 輸出形式是列表獲取所有
 title = li.css('.hd a span:nth-child(1)::text').get() # get()輸出形式是 字符串
 movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 輸出形式是列表
 star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
 movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美國', '犯罪 劇情']
 movie_time = movie_info[0] # 電影上映時間
 movie_country = movie_info[1] # 哪個國家的電影
 movie_type = movie_info[2] # 什么類型的電影
 rating_num = li.css('.rating_num::text').get() # 電影評分
 people = li.css('.star span:nth-child(4)::text').get() # 評價人數(shù)
 summary = li.css('.inq::text').get() # 一句話概述
 dit = {
 '電影名字': title,
 '參演人員': star,
 '上映時間': movie_time,
 '拍攝國家': movie_country,
 '電影類型': movie_type,
 '電影評分': rating_num,
 '評價人數(shù)': people,
 '電影概述': summary,
 }
 # pprint 格式化輸出模塊
 pprint.pprint(dit)

在這里插入圖片描述

以上的知識點使用到了

  • parsel 解析模塊的方法
  • for 循環(huán)
  • css 選擇器
  • 字典的創(chuàng)建
  • 列表取值
  • 字符串的方法：分割、替換等
  • pprint 格式化輸出模塊

所以扎實基礎是很有必要的。不然你連代碼都不知道為什么要這樣寫。

五、保存數(shù)據(jù)（數(shù)據(jù)持久化）

常用的保存數(shù)據(jù)方法 with open

像豆瓣電影信息這樣的數(shù)據(jù)，保存到Excel表格里面會更好。

所以需要使用到 csv 模塊

# csv模塊保存數(shù)據(jù)到Excel
f = open('豆瓣電影數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
      '電影評分', '評價人數(shù)', '電影概述'])

csv_writer.writeheader() # 寫入表頭

在這里插入圖片描述
在這里插入圖片描述

這就是爬取了數(shù)據(jù)保存到本地了。這只是一頁的數(shù)據(jù)，爬取數(shù)據(jù)肯定不只是爬取一頁數(shù)據(jù)。想要實現(xiàn)多頁數(shù)據(jù)爬取，就要分析網頁數(shù)據(jù)的url地址變化規(guī)律。

在這里插入圖片描述

可以清楚看到每頁url地址是 25 遞增的，使用for循環(huán)實現(xiàn)翻頁操作

for page in range(0, 251, 25):
 url = f'https://movie.douban.com/top250?start={page}&filter='

完整實現(xiàn)代碼

""""""
import pprint
import requests
import parsel
import csv
'''
1、明確需求:
 爬取豆瓣Top250排行電影信息
 電影名字
 導演、主演
 年份、國家、類型
 評分、評價人數(shù)
 電影簡介
'''
# csv模塊保存數(shù)據(jù)到Excel
f = open('豆瓣電影數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
      '電影評分', '評價人數(shù)', '電影概述'])

csv_writer.writeheader() # 寫入表頭

# 模擬瀏覽器發(fā)送請求
for page in range(0, 251, 25):
 url = f'https://movie.douban.com/top250?start={page}&filter='
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
 }
 response = requests.get(url=url, headers=headers)
 # 把 response.text 文本數(shù)據(jù)轉換成 selector 對象
 selector = parsel.Selector(response.text)
 # 獲取所有l(wèi)i標簽
 lis = selector.css('.grid_view li')
 # 遍歷出每個li標簽內容
 for li in lis:
 # 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數(shù)據(jù) get()輸出形式是 字符串獲取一個 getall() 輸出形式是列表獲取所有
 title = li.css('.hd a span:nth-child(1)::text').get() # get()輸出形式是 字符串
 movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 輸出形式是列表
 star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
 movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美國', '犯罪 劇情']
 movie_time = movie_info[0] # 電影上映時間
 movie_country = movie_info[1] # 哪個國家的電影
 movie_type = movie_info[2] # 什么類型的電影
 rating_num = li.css('.rating_num::text').get() # 電影評分
 people = li.css('.star span:nth-child(4)::text').get() # 評價人數(shù)
 summary = li.css('.inq::text').get() # 一句話概述
 dit = {
  '電影名字': title,
  '參演人員': star,
  '上映時間': movie_time,
  '拍攝國家': movie_country,
  '電影類型': movie_type,
  '電影評分': rating_num,
  '評價人數(shù)': people,
  '電影概述': summary,
 }
 pprint.pprint(dit)
 csv_writer.writerow(dit)

實現(xiàn)效果

在這里插入圖片描述
在這里插入圖片描述

到此這篇關于Python爬蟲入門教程01之爬取豆瓣Top電影的文章就介紹到這了,更多相關Python爬取豆瓣Top電影內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

相關文章

最新評論