Selenium爬取电影网页写成csv文件

绪论

首先写这个文章的时候仅仅花了2个晚上（我是菜鸟所以很慢），自己之前略懂selenium，但是不是很懂csv，这次相当于练手了。

第一章环境介绍

具体实验环境
系统	Windows10教育版 1709版本
python	3.6.3
Selenium	3.12.0
bs4	0.0.1
csv	1.0

第二章过程

这里是一份利用Selenium写成的爬取猫眼电影top100的代码，具体没有什么好讲的，以下我会提几个需要注意的地方。

from selenium import webdriver

from selenium.webdriver.common.keys import Keys

from bs4 import BeautifulSoup

import csv

def get_html(url):

    browser.get(url)

    return browser.page_source

def content_print(pagesource):

    soup = BeautifulSoup(pagesource,"html.parser")

    films = soup.find_all("dd")

    film_list= []

    for film in films:

        name =film.find("a")

        haha =name["title"]

        #print(haha)

        stars =film.find("p",class_ = "star")

        #print(stars.text)

        date = film.find("p",class_ = "releasetime").string

        score_1 = film.find("i",class_ = "integer")

        score_2 = film.find("i",class_ = "fraction")

        score = score_1.text + score_2.text

        #print(score)

        film_list.append([haha,date,score])

    print(film_list)

if __name__ == '__main__':

    browser = webdriver.Chrome()

    for i in range(0,10):

        houzhui = str(10 * i)

        initial_url = "http://maoyan.com/board/4?offset="  + houzhui

        html = get_html(initial_url)

        content_print(html)

    browser.close()

文件头的部分，“from selenium import webdriver
from selenium.webdriver.common.keys import Keys”这里已经引入了Selenium但是下一句又引入了里面的一些库，这里是为了在效率方面使得整个工程变得变得更加效率，实际上如果不加上下一句，是不能运行的。
整个代码的结构是先创建一个browser实例，然后遍历10个页面去获取HTML代码，然后把得到的HTML代码返回到content_print中来做进一步的分析，打印以及写入到csv中。最后关闭整个browser。这个过程必须在结构上先验证无误，然后在写具体的代码。
content_print(pagesource)这里是代码的核心部分。这里的“films = soup.find_all("dd")”dd是每个页面中每一个电影信息所在的地方，我们把他放入到“film_list= []”中，然后分别用“.find”函数以及class选择器来提取我们想要的内容，最后通过“film_list.append([haha,date,score])”放入到这个list中，这里基本及时把10页的电影信息写入到了一个list。

以上是这段代码的具体功能。

接下来我在写入csv的时候写了一段代码，这是对一个页面得到的信息进行写入的代码：

import pandas as pd

infos = [['霸王别姬', '上映时间：1993-01-01(中国香港)', '9.6'], ['肖申克的救赎', '上映时间：1994-10-14(美国)', '9.5'], ['罗马假日', '上映时间：1953-09-02(美国)', '9.1'], ['这个杀手不太冷', '上映时间：1994-09-14(法国)', '9.5'], ['教父', '上映时间：1972-03-24(美国)', '9.3'], ['泰坦尼克号', '上映时间：1998-04-03', '9.5'], ['龙猫', '上映时间：1988-04-16(日本)', '9.2'], ['唐伯虎点秋香', '上映时间：1993-07-01(中国香港)', '9.2'], ['魂断蓝桥', '上映时间：1940-05-17(美国)', '9.2'], ['千与千寻', '上映时间：2001-07-20(日本)', '9.3']]

list = []

for x in range(0,10):

    for y in range(0,3):

        #print(infos[x][y])

        list.append(infos[x][y])

names = []

for name in range(0,30,3):

    names.append(list[name])

#print(names)

dates = []

for date in range(1,30,3):

    dates.append(list[date])

#print(dates)

grades = []

for grade in range(2,30,3):

    grades.append(list[grade])

#print(grades)

dateframe = pd.DataFrame({'Movies':names,'Dates':dates,'Scores':grades})

#输出顺序是怎样的？为什么不是按照我设置的顺序？

dateframe.to_csv('C:/Users/zhengyong/Desktop\/study/csv.csv',index=False,sep=',',encoding = "gbk")前写入的list放入infos，然后新建一个“list = []”，然后利用两个for把list里的list的信息写到一个list里，然后再分别把信息取出来，然后再利用“pd.DataFrame”写到csv中。

前写入的list放入infos，然后新建一个“list = []”，然后利用两个for把list里的list的信息写到一个list里，然后再分别把信息取出来，然后再利用“pd.DataFrame”写到csv中。

这里我引入了pandas进行写入操作。
先把我们之前写入的list放入infos，然后新建一个“list = []”，然后利用两个for把list里的list的信息写到一个list里，然后再分别把信息取出来，然后再利用“pd.DataFrame”写到csv中。

代码总体而言是比较傻瓜式的，最重要的问题是会在重复写入的时候覆盖之前写入的文件，所以接下来我会做一个新的页面功能（这段代码里的具体参数实在太多，我没找到可以使他不覆盖的方法）。

以下就是改进版本：

import pandas as pd

import csv

infos = [['霸王别姬', '上映时间：1993-01-01(中国香港)', '9.6'], ['肖申克的救赎', '上映时间：1994-10-14(美国)', '9.5'], ['罗马假日', '上映时间：1953-09-02(美国)', '9.1'], ['这个杀手不太冷', '上映时间：1994-09-14(法国)', '9.5'], ['教父', '上映时间：1972-03-24(美国)', '9.3'], ['泰坦尼克号', '上映时间：1998-04-03', '9.5'], ['龙猫', '上映时间：1988-04-16(日本)', '9.2'], ['唐伯虎点秋香', '上映时间：1993-07-01(中国香港)', '9.2'], ['魂断蓝桥', '上映时间：1940-05-17(美国)', '9.2'], ['千与千寻', '上映时间：2001-07-20(日本)', '9.3']]

list = []

for x in range(0,10):

    for y in range(0,3):

        #print(infos[x][y])

        list.append(infos[x][y])

#print(list)

names = []

for n in range(0,30,3):

    for i in range(n,n+3):

        #print(list[i])

        names.append(list[i])

    print(names)

    # csv 写入

    #names = ['marry', 26]

    # 打开文件，追加a

    out = open('C:/Users/zhengyong/Desktop/study/Stu_csv.csv', 'a', newline='')

    # 设定写入模式

    csv_write = csv.writer(out, dialect='excel')

    # 写入具体内容

    csv_write.writerow(names)

    print(  str(n/3) + "times to write in the Excel!")

    names = []

其中有一段代码我得具体说说，

names = []   #新建一个names[]

for n in range(0,30,3):

    for i in range(n,n+3):

        #print(list[i])   #每三个一组，把30个遍历完

        names.append(list[i])  添加到names

    print(names)

这段代码实际上是把一个list分成了好多个（10）新的list，名字为names，然后再去写入，再继续下一组。。。

第三章最终成品

'''这个版本能够爬出拥有10页的电影信息的具体信息，

并将这些信息写在Excel中。整个过程是批量化的，输入参数无需干预。'''

from selenium import webdriver

from selenium.webdriver.common.keys import Keys

from bs4 import BeautifulSoup

import csv

def get_html(url):

    browser.get(url)

    return browser.page_source

def content_print(pagesource):

    soup = BeautifulSoup(pagesource,"html.parser")

    films = soup.find_all("dd")

    infos= []

    for film in films:

        name =film.find("a")

        haha =name["title"]

        #print(haha)

        stars =film.find("p",class_ = "star")

        #print(stars.text)

        date = film.find("p",class_ = "releasetime").string

        score_1 = film.find("i",class_ = "integer")

        score_2 = film.find("i",class_ = "fraction")

        score = score_1.text + score_2.text

        #print(score)

        infos.append([haha,date,score])

    print(infos)

    list = []

    for x in range(0, 10):

        for y in range(0, 3):

            # print(infos[x][y])

            list.append(infos[x][y])

    # print(list)

    names = []

    for n in range(0, 30, 3):

        for i in range(n, n + 3):

            # print(list[i])

            names.append(list[i])

        print(names)

        # csv 写入

        #names = ['marry', 26]

        # 打开文件，追加a

        out = open('C:/Users/zhengyong/Desktop/study/csv.csv', 'a', newline='')

        # 设定写入模式

        csv_write = csv.writer(out, dialect='excel')

        # 写入具体内容

        csv_write.writerow(names)

        print(str(n / 3) + "times to write in the Excel!")

        names = []

if __name__ == '__main__':

    browser = webdriver.Chrome()

    for i in range(0,10):

        houzhui = str(10 * i)

        initial_url = "http://maoyan.com/board/4?offset="  + houzhui

        html = get_html(initial_url)

        content_print(html)

    browser.close()