腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

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(xué)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(xì)，對大家的學(xué)習(xí)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(wǎng)絡(luò),僅供學(xué)習(xí)、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(guān)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(guān)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(dǎo)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

請求url地址，使用get請求，添加headers請求頭，模擬瀏覽器請求，網(wǎng)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(wù)器錯誤）

常見狀態(tài)碼

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

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(wǎng)頁返回的是response對象

response.text： 獲取網(wǎng)頁文本數(shù)據(jù)

response.json： 獲取網(wǎng)頁json數(shù)據(jù)

這兩個是用的最多的，當(dāng)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(dá)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(biāo)簽當(dāng)中。

# 把 response.text 文本數(shù)據(jù)轉(zhuǎn)換成 selector 對象
selector = parsel.Selector(response.text)
# 獲取所有l(wèi)i標(biāo)簽
lis = selector.css('.grid_view li')
# 遍歷出每個li標(biāo)簽內(nèi)容
for li in lis:
 # 獲取電影標(biāo)題 hd 類屬性 下面的 a 標(biāo)簽下面的 第一個span標(biāo)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(chǔ)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

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(wǎng)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(dǎo)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(zhuǎn)換成 selector 對象
 selector = parsel.Selector(response.text)
 # 獲取所有l(wèi)i標(biāo)簽
 lis = selector.css('.grid_view li')
 # 遍歷出每個li標(biāo)簽內(nèi)容
 for li in lis:
 # 獲取電影標(biāo)題 hd 類屬性 下面的 a 標(biāo)簽下面的 第一個span標(biāo)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