Python爬虫入门教程：豆瓣Top电影爬取

基本开发环境

Python 3.6
Pycharm

爬虫基本思路

一、明确需求

爬取豆瓣Top250排行电影信息

电影名字
导演、主演
年份、国家、类型
评分、评价人数
电影简介

二、发送请求

Python中的大量开源的模块使得编码变的特别简单，我们写爬虫第一个要了解的模块就是requests。

请求url地址，使用get请求，添加headers请求头，模拟浏览器请求，网页会给你返回response对象

# 模拟浏览器发送请求

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)

200是状态码，表示请求成功

2xx （成功）

3xx （重定向）

4xx（请求错误）

5xx（服务器错误）

常见状态码

200 - 服务器成功返回网页，客户端请求已成功。
302 - 对象临时移动。服务器目前从不同位置的网页响应请求，但请求者应继续使用原有位置来进行以后的请求。
304 - 属于重定向。自上次请求后，请求的网页未修改过。服务器返回此响应时，不会返回网页内容。
401 - 未授权。请求要求身份验证。对于需要登录的网页，服务器可能返回此响应。
404 - 未找到。服务器找不到请求的网页。
503 （服务不可用）服务器目前无法使用（由于超载或停机维护）。通常，这只是暂时状态。

三、获取数据

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)

requests.get(url=url, headers=headers) 请求网页返回的是response对象

response.text： 获取网页文本数据

response.json： 获取网页json数据

这两个是用的最多的，当然还有其他的

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、解析数据

常用解析数据方法：正则表达式、css选择器、xpath、lxml…

常用解析模块：bs4、parsel…

我们使用的是 parsel 无论是在之前的文章，还是说之后的爬虫系列文章，我都会使用 parsel 这个解析库，无它就是觉得它比bs4香。

parsel 是第三方模块，pip install parsel 安装即可

parsel 可以使用 css、xpath、re解析方法

所有的电影信息都包含在 li 标签当中。

# 把 response.text 文本数据转换成 selector 对象

selector = parsel.Selector(response.text)

# 获取所有li标签

lis = selector.css('.grid_view li')

# 遍历出每个li标签内容

for li in lis:

    # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有

    title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串

    movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表

    star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')

    movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']

    movie_time = movie_info[0]  # 电影上映时间

    movie_country = movie_info[1]   # 哪个国家的电影

    movie_type = movie_info[2]     # 什么类型的电影

    rating_num = li.css('.rating_num::text').get()   # 电影评分

    people = li.css('.star span:nth-child(4)::text').get()   # 评价人数

    summary = li.css('.inq::text').get()   # 一句话概述

    dit = {

        '电影名字': title,

        '参演人员': star,

        '上映时间': movie_time,

        '拍摄国家': movie_country,

        '电影类型': movie_type,

        '电影评分': rating_num,

        '评价人数': people,

        '电影概述': summary,

    }

    # pprint 格式化输出模块

    pprint.pprint(dit)

以上的知识点使用到了

parsel 解析模块的方法
for 循环
css 选择器
字典的创建
列表取值
字符串的方法：分割、替换等
pprint 格式化输出模块

所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。

五、保存数据（数据持久化）

常用的保存数据方法 with open

像豆瓣电影信息这样的数据，保存到Excel表格里面会更好。

所以需要使用到 csv 模块

# csv模块保存数据到Excel

f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')

csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',

                                           '电影评分', '评价人数', '电影概述'])

csv_writer.writeheader()    # 写入表头

这就是爬取了数据保存到本地了。这只是一页的数据，爬取数据肯定不只是爬取一页数据。想要实现多页数据爬取，就要分析网页数据的url地址变化规律。

可以清楚看到每页url地址是 25 递增的，使用for循环实现翻页操作

for page in range(0, 251, 25):

    url = f'https://movie.douban.com/top250?start={page}&filter='

完整实现代码

""""""

import pprint

import requests

import parsel

import csv

'''

1、明确需求:

    爬取豆瓣Top250排行电影信息

        电影名字

        导演、主演

        年份、国家、类型

        评分、评价人数

        电影简介

'''

# csv模块保存数据到Excel

f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')

csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',

                                           '电影评分', '评价人数', '电影概述'])

csv_writer.writeheader()    # 写入表头

# 模拟浏览器发送请求

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 文本数据转换成 selector 对象

    selector = parsel.Selector(response.text)

    # 获取所有li标签

    lis = selector.css('.grid_view li')

    # 遍历出每个li标签内容

    for li in lis:

        # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有

        title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串

        movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表

        star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')

        movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']

        movie_time = movie_info[0]  # 电影上映时间

        movie_country = movie_info[1]   # 哪个国家的电影

        movie_type = movie_info[2]     # 什么类型的电影

        rating_num = li.css('.rating_num::text').get()   # 电影评分

        people = li.css('.star span:nth-child(4)::text').get()   # 评价人数

        summary = li.css('.inq::text').get()   # 一句话概述

        dit = {

            '电影名字': title,

            '参演人员': star,

            '上映时间': movie_time,

            '拍摄国家': movie_country,

            '电影类型': movie_type,

            '电影评分': rating_num,

            '评价人数': people,

            '电影概述': summary,

        }

        pprint.pprint(dit)

        csv_writer.writerow(dit)

实现效果