快捷導(dǎo)航

編寫Python爬蟲抓取豆瓣電影TOP100及用戶頭像的方法

更新時間：2016年01月20日 10:59:12 作者：XiaoluD

這篇文章主要介紹了編寫Python爬蟲抓取豆瓣電影TOP100及用戶頭像的方法,用到了Python的urllib和urllib2模塊,需要的朋友可以參考下

抓取豆瓣電影TOP100
一、分析豆瓣top頁面，構(gòu)建程序結(jié)構(gòu)
1.首先打開網(wǎng)頁http://movie.douban.com/top250?start，也就是top頁面
然后試著點擊到top100的頁面，注意帶top100的鏈接依次為

http://movie.douban.com/top250?start=0
http://movie.douban.com/top250?start=25
http://movie.douban.com/top250?start=50
http://movie.douban.com/top250?start=75

2.然后通過查看源碼，發(fā)現(xiàn)電影名的代碼如下：

<span class="title">肖申克的救贖</span>
<span class="title"> / The Shawshank Redemption</span>
如圖，因為有一些英文名等描述，通過正則抓取有些干擾，可能還需要后續(xù)過濾。

根據(jù)以上信息，此程序主要分以下3個步驟：

二、構(gòu)建url地址池

抓取top100電影名稱
依次打印輸出

依次寫出代碼

1.構(gòu)建url地址池。代碼如下：

import urllib2
import re
# ----------確定url地址池------------
pre_url = 'http://movie.douban.com/top250?start='
top_urls = []
# 因為top100，每頁25部電影，故為4頁,從零開始
for num in range(4):
  top_urls.append(pre_url + str(num * 25))

2.抓取top100電影名稱

# ------------抓取top100電影名稱----------
top_content = []
top_tag = re.compile(r'<span class="title">(.+?)</span>')
for url in top_urls:
  content = urllib2.urlopen(url).read()
  pre_content = re.findall(top_tag, content)
  # 過濾不符合條件的list，得到最后的top100的list
  for item in pre_content:
    if item.find('&nbsp') == -1:
      top_content.append(item)

3.打印輸出

top_num = 1
for item in top_content:
  print 'Top' + str(top_num) + '  ' + item
  top_num += 1

三、整理代碼
我還是python新手，還沒有太多的pythonic思想，也沒有代碼優(yōu)化技巧，只能說是整理。
其次，個人習(xí)慣，在簡單的代碼里面我還是喜歡少用函數(shù)，盡量不隱藏代碼的邏輯。
以下代碼請參考，并歡迎提意見，希望得到大家的意見，謝謝！
整理后的代碼如下：

# coding=utf-8
'''
本代碼為自動抓取豆瓣top100電影代碼
@pre_url url地址前綴，在這里為http://movie.douban.com/top250?start=
@top_urls url地址池
@top_tag 為抓取電影名正則表達(dá)式
'''

import urllib2
import re

pre_url = 'http://movie.douban.com/top250?start='
top_urls = []
top_tag = re.compile(r'<span class="title">(.+?)</span>')
top_content = []
top_num = 1

# ----------確定url地址池------------
# 因為top100，每頁25部電影，故為4頁,從零開始
for num in range(4):
  top_urls.append(pre_url + str(num * 25))


# ------------抓取top100電影名稱，并打印輸出----------
top_tag = re.compile(r'<span class="title">(.+?)</span>')
for url in top_urls:
  content = urllib2.urlopen(url).read()
  pre_content = re.findall(top_tag, content)
  # 過濾并打印輸出
  for item in pre_content:
    if item.find('&nbsp') == -1:
      print 'Top' + str(top_num) + '  ' + item
      top_num += 1

抓取用戶頭像圖片

import urllib.request
import re
import time
 
#獲取輸入的帖子單頁html
def getHtml2(url2):
  html2=urllib.request.urlopen(url2).read().decode('utf-8')
  return html2
 
#抽取圖片相關(guān)列表，并下載圖片
def gettopic(html2):
  reg2=r'http://www.douban.com/group/topic/\d+'
  topiclist=re.findall(reg2,html2)
  x=0
  #限制下載的圖片數(shù)
  for topicurl in topiclist:
    x+=1
  return topicurl
 
 
#下載圖片到本地
def download(topic_page):
  reg3=r'http://img3.douban.com/view/group_topic/large/public/.+\.jpg'
  imglist=re.findall(reg3,topic_page)
  i=1
  download_img=None
  for imgurl in imglist:
#取圖片ID為文件名
    img_numlist=re.findall(r'p\d{7}',imgurl)
    for img_num in img_numlist:
       
      download_img=urllib.request.urlretrieve(imgurl,'D:\python\code\girls\%s.jpg'%img_num)
      time.sleep(1) 
      i+=1
      print(imgurl)
  return download_img
 
#調(diào)用函數(shù)
page_end=int(input('請輸入結(jié)束時的頁碼：'))
num_end=page_end*25
num=0
page_num=1
while num<=num_end:
  html2=getHtml2('http://www.douban.com/group/kaopulove/discussion?start=%d'%num)
  topicurl=gettopic(html2)
  topic_page=getHtml2(topicurl)
  download_img=download(topic_page)
  num=page_num*25
  page_num+=1
 
else:
  print('采集完成！')

您可能感興趣的文章: