Python爬取豆瓣电影top

Python爬取豆瓣电影top250

下面以四种方法去解析数据，前面三种以插件库来解析，第四种以正则表达式去解析。

xpath

pyquery

beaufifulsoup

re

爬取信息：名称  评分 小评

结果显示

使用xpath解析数据

#python 使用xpath解析数据
#查询豆瓣top250电影
#获取信息：名称 评分 短语
#关于xpath语法：https://www.w3school.com.cn/xpath/xpath_syntax.asp

from lxml import etree
import time
import requests
import os

#创建文件
t = time.strftime('%Y-%m-%d', time.localtime())  # 将指定格式的当前时间以字符串输出
suffix = ".txt"
newfile ="./log/xpath_"+ t + suffix
if not os.path.exists(newfile):
    f = open(newfile, 'w',encoding="utf-8")
    f.close()

#打开文件，准备写入信息
f = open(newfile, 'w',encoding="utf-8")
start=0
while start<250:
    # 查询top250电影,第页25条，取10页
    r=requests.get("https://movie.douban.com/top250?start="+str(start) +"&filter=")
    el=etree.HTML(r.content)
    r.close()

    #解析内容
    el_items=el.xpath('//div[@class="item"]')

    for item in el_items:
        #当获取子项信息时，xpath开头不能以“/”或“//”开头，“//”是查询整个html。开始一定要指当前子项，后面可以使用“/”或“//”来搜索
        title=item.xpath('div//span[@class="title"][1]/text()')[0] #标题
        rating_num=item.xpath('div//span[@class="rating_num"][1]/text()')[0]#评分
        # 小评可能不存在，在此加判断
        inq=item.xpath('div//span[@class="inq"][1]/text()')#小评
        inq_str=""
        if len(inq)>0:
            inq_str=inq[0]

        #写入文件
        f.write(str(title).strip().ljust(20,'—')+str(rating_num).strip().ljust(20,' ')+">"+str(inq_str).strip().ljust(50,' ')+"\n")
    start+=25
#最后关闭文件
f.close()
print("the end")

使用pyquery解析数据

#python 使用pyquery解析数据
#查询豆瓣top250电影
#获取信息：名称 评分 短语
#关于pyquery语法：https://pyquery.readthedocs.io/en/latest/pseudo_classes.html
from pyquery import PyQuery as pq
import time
import requests
import os

#创建文件
t = time.strftime('%Y-%m-%d', time.localtime())  # 将指定格式的当前时间以字符串输出
suffix = ".txt"
newfile ="./log/pyquery_"+ t + suffix
if not os.path.exists(newfile):
    f = open(newfile, 'w',encoding="utf-8")
    f.close()

#打开文件，准备写入信息
f = open(newfile, 'w',encoding="utf-8")
start=0
while start<250:
    #查询top250电影,第页25条，取10页
    r = requests.get("https://movie.douban.com/top250?start=" + str(start) + "&filter=")
    d=pq(r.content)
    r.close()
    items=d('.item')
    for item in items:
       item_d=pq(item)#重新加载每一项html，为下面取出信息
       title= item_d.find(".title:eq(0)").text()#名称
       rating_num =item_d.find(".rating_num:eq(0)").text()# 评分
       inq_str = item_d.find('.inq:eq(0)').text()  # 小评

       # 写入文件
       f.write(str(title).strip().ljust(20,'—')+str(rating_num).strip().ljust(20,' ')+">"+str(inq_str).strip().ljust(50,' ')+"\n")
    start+=25
#最后关闭文件
f.close()
print("the end")

使用BeaufifulSoup解析数据

#python 使用BeaufifulSoup解析数据
#查询豆瓣top250电影
#获取信息：名称 评分 短语
#关于语法：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
from bs4 import BeautifulSoup
import time
import requests
import os

#创建文件
t = time.strftime('%Y-%m-%d', time.localtime())  # 将指定格式的当前时间以字符串输出
suffix = ".txt"
newfile ="./log/BeaufifulSoup_"+ t + suffix
if not os.path.exists(newfile):
    f = open(newfile, 'w',encoding="utf-8")
    f.close()

#打开文件，准备写入信息
f = open(newfile, 'w',encoding="utf-8")
start=0
while start<250:
    #查询top250电影,第页25条，取10页
    r=requests.get("https://movie.douban.com/top250?start="+str(start) +"&filter=")
    el=BeautifulSoup(r.content,"xml")
    r.close()
    items=el.find_all("div", class_="item")#获取一项电影信息

    for item in items:
        title=item.find_all(class_="title",limit=1)[0].get_text()#名称
        rating_num=item.find_all('span',class_="rating_num",limit=1)[0].get_text() # 评分

        # 小评可能不存在，在此加判断
        inq = item.find_all('span',class_="inq",limit=1) # 小评
        inq_str = ""
        if len(inq) > 0:
            inq_str = inq[0].get_text()
        f.write(str(title).strip().ljust(20,'—')+str(rating_num).strip().ljust(20,' ')+">"+str(inq_str).strip().ljust(50,' ')+"\n")
        #print(str(title).strip().ljust(20,'—')+str(rating_num).strip().ljust(20,' ')+">"+str(inq_str).strip().ljust(50,' ')+"\n")
    start+=25
#最后关闭文件
f.close()
print("the end")

使用re正则匹配

#python 使用re正则匹配
#查询豆瓣top250电影
#获取信息：名称 评分 短语
import re
import time
import requests
import os
reg_items=re.compile('<li>[\r\n\s]+<div\s+class="item">[.\r\n\s\S]*?</li>')#每个电影
reg_title=re.compile('(?<=title">)[^<]+')#电影名称
reg_rating_num=re.compile('(?<=property="v:average">)[^<]+')#评分
reg_inq=re.compile('(?<=class="inq">)[^<]+')#小评

#创建文件
t = time.strftime('%Y-%m-%d', time.localtime())  # 将指定格式的当前时间以字符串输出
suffix = ".txt"
newfile ="./log/re_"+ t + suffix
if not os.path.exists(newfile):
    f = open(newfile, 'w',encoding="utf-8")
    f.close()

#打开文件，准备写入信息
f = open(newfile, 'w',encoding="utf-8")
start=0
while start<250:
    #查询top250电影,第页25条，取10页
    r = requests.get("https://movie.douban.com/top250?start=" + str(start) + "&filter=")
    html=str(r.content,encoding = "utf-8")
    r.close()
    maths= reg_items.findall(html)
    for item in maths:
       re_title=reg_title.search(item)
       title=re_title.group(0)
       re_rating_num=reg_rating_num.search(item)
       rating_num=re_rating_num.group(0)
       inq_str=""
       #小评可能不存在，在此加判断
       re_inq=reg_inq.search(item)
       if re_inq!=None:
           inq_str=re_inq.group(0)
       f.write(str(title).strip().ljust(20, '—') + str(rating_num).strip().ljust(20, ' ') + ">" + str( inq_str).strip().ljust(50, ' ') + "\n")
       #print(str(title).strip().ljust(20,'—')+str(rating_num).strip().ljust(20,' ')+">"+str(inq_str).strip().ljust(50,' ')+"\n")
    start+=25
#最后关闭文件
f.close()
print("the end")

为毛要这么方法去解析？从众多方式做一个比较，那种方式有优势，解析起来更方便。以后需要解析的时候，从中选择最优的。

来源：https://www.cnblogs.com/cai-niao/p/11372087.html  黑白记忆