python爬虫08 | 你的第二个爬虫，要过年了，爬取豆瓣最受欢迎的250部电影慢慢看

马上就要过年啦

过年在家干啥咧

准备好被七大姑八大姨轮番「轰炸」了没？

你的内心 os 是这样的

但实际上你是这样的

应付完之后

闲暇时刻不妨看看电影

接下来咱们就来爬取豆瓣上评分最高的

250部电影

这次我们就要来使用上次说的

BeautifulSoup+ Reuqests

进行爬取啦

这次

我们将爬取到的内容存放到 excel 吧

那么

接下来就是

学习 python 的正确姿势

 

我们还是老样子

先摸清对方的底

知己知彼

百战不殆

首先打开我们的目标链接

https://movie.douban.com/top250

可以看到这样一个网页

每一页显示了 25 条数据

当我们点击下一页的时候

链接请求参数变了

https://movie.douban.com/top250?start=25&filter=

我们一眼就看的出来

这里就是从第 25 条数据开始加载的

所以

我们可以使用这个 start=25 来做变量

实现翻页获取信息

接下来我们来看下我们要的主要信息

电影名称

电影图片

电影排名

电影评分

电影作者

电影简介

等会我们可以使用 BeautifulSoup超简单获取

一顿分析之后

我们就开始撸代码啦

主要思路

请求豆瓣的链接获取网页源代码

然后使用 BeatifulSoup 拿到我们要的内容

最后就把数据存储到 excel 文件中

def main(page):
    url = 'https://movie.douban.com/top250?start='+ str(page*25)+'&filter='
    html = request_douban(url)
    soup = BeautifulSoup(html, 'lxml')
    save_to_excel(soup)

请求豆瓣电影

def request_douban(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
    except requests.RequestException:
        return None

获取到的主要源代码

...

<ol class="grid_view">
        <li>
            <div class="item">
                <div class="pic">
                    <em class="">1</em>
                    <a href="https://movie.douban.com/subject/1292052/">
                        <img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" class="">
                    </a>
                </div>
                <div class="info">
                    <div class="hd">
                        <a href="https://movie.douban.com/subject/1292052/" class="">
                            <span class="title">肖申克的救赎</span>
                                    <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
                                <span class="other">&nbsp;/&nbsp;月黑高飞(港)  /  刺激1995(台)</span>
                        </a>

                            <span class="playable">[可播放]</span>
                    </div>
                    <div class="bd">
                        <p class="">
                            导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
                            1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情
                        </p>

                        
                        <div class="star">
                                <span class="rating5-t"></span>
                                <span class="rating_num" property="v:average">9.6</span>
                                <span property="v:best" content="10.0"></span>
                                <span>1286755人评价</span>
                        </div>

                            <p class="quote">
                                <span class="inq">希望让人自由。</span>
                            </p>
                    </div>
                </div>
            </div>
        </li>

...

BeatifulSoup 解析

list = soup.find(class_='grid_view').find_all('li')

    for item in list:
        item_name = item.find(class_='title').string
        item_img = item.find('a').find('img').get('src')
        item_index = item.find(class_='').string
        item_score = item.find(class_='rating_num').string
        item_author = item.find('p').text
        item_intr = item.find(class_='inq').string

        # print('爬取电影：' + item_index + ' | ' + item_name +' | ' + item_img +' | ' + item_score +' | ' + item_author +' | ' + item_intr )
        print('爬取电影：' + item_index + ' | ' + item_name  +' | ' + item_score  +' | ' + item_intr )

打印一下

爬取电影：1 | 肖申克的救赎 | 9.6 | 希望让人自由。
爬取电影：2 | 霸王别姬 | 9.6 | 风华绝代。
爬取电影：3 | 这个杀手不太冷 | 9.4 | 怪蜀黍和小萝莉不得不说的故事。
爬取电影：4 | 阿甘正传 | 9.4 | 一部美国近现代史。
爬取电影：5 | 美丽人生 | 9.5 | 最美的谎言。
爬取电影：6 | 泰坦尼克号 | 9.3 | 失去的才是永恒的。 
爬取电影：7 | 千与千寻 | 9.3 | 最好的宫崎骏，最好的久石让。 
爬取电影：8 | 辛德勒的名单 | 9.5 | 拯救一个人，就是拯救整个世界。
爬取电影：9 | 盗梦空间 | 9.3 | 诺兰给了我们一场无法盗取的梦。
爬取电影：10 | 机器人总动员 | 9.3 | 小瓦力，大人生。
爬取电影：11 | 忠犬八公的故事 | 9.3 | 永远都不能忘记你所爱的人。
...
爬取电影：21 | 无间道 | 9.1 | 香港电影史上永不过时的杰作。
爬取电影：22 | 当幸福来敲门 | 9.0 | 平民励志片。 
爬取电影：23 | 疯狂动物城 | 9.2 | 迪士尼给我们营造的乌托邦就是这样，永远善良勇敢，永远出乎意料。
爬取电影：24 | 触不可及 | 9.2 | 满满温情的高雅喜剧。
爬取电影：25 | 怦然心动 | 9.0 | 真正的幸福是来自内心深处。

拿到数据啦

循环获取 10 页的所有数据

来个循环吧

for i in range(0, 10):
        main(i)

获取到数据当然是要存储了

导入 excel 的库

import xlwt

创建一个 excel 的 sheet

每一列就是我们要的关键内容

book=xlwt.Workbook(encoding='utf-8',style_compression=0)

sheet=book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
sheet.write(0,0,'名称')
sheet.write(0,1,'图片')
sheet.write(0,2,'排名')
sheet.write(0,3,'评分')
sheet.write(0,4,'作者')
sheet.write(0,5,'简介')

将爬取到的所有数据写入 excel

sheet.write(n, 0, item_name)
        sheet.write(n, 1, item_img)
        sheet.write(n, 2, item_index)
        sheet.write(n, 3, item_score)
        sheet.write(n, 4, item_author)
        sheet.write(n, 5, item_intr)

最后来个保存

book.save(u'豆瓣最受欢迎的250部电影.xlsx')

运行一下吧

生成了一个 excel 文件

老规矩

小帅b把本篇涉及到的源代码放在后台了

公众号发送「250」获取

完

再见

近期文章

python爬虫07 | 有了 BeautifulSoup ，妈妈再也不用担心我的正则表达式了

python爬虫06 | 你的第一个爬虫，爬取当当网 Top 500 本五星好评书籍

python爬虫05 | 年轻人，不会正则表达式你睡得着觉？有点出息没有？

扫一扫

学习 Python 没烦恼

 

好看的人都点了