爬取豆瓣Top100电影并存储为csv文件（附csv文件乱码解决方法）
大致分为以下步骤：
- 使用requests库爬取网页
- 使用BeautifulSoup库解析网页
- 使用pandas库将数据存储为csv文件
1.首先引入第三方库：
import requests
from bs4 import BeautifulSoup
import pandas as pd
我们去豆瓣电影Top250会发现每个页面有25个电影：
查看URL发现每个URL都有标志：
2.下载4个页面的HTML：
page_indexs = range(0, 100, 25) # 构造分页列表
list(page_indexs)
def download_all_htmls(): # 爬取4个页面的HTML，用于后续的分析
htmls = []
for idx in page_indexs:
url = f"https://movie.douban.com/top250?start={idx}&filter=" # 替换分页参数
print("craw html:", url)
r = requests.get(url,
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)"})
# r返回一个包含服务器资源的Response对象
if r.status_code != 200:
raise Exception("error") # 当程序出错时通过raise语句显示引发异常
htmls.append(r.text)
return htmls
# 执行爬取
htmls = download_all_htmls() # 爬取4个页面的HTML
3.解析HTML得到数据：
def parse_single_html(html): # 解析单个HTML，得到数据
soup = BeautifulSoup(html, 'html.parser') # 解析HTML数据
article_items = ( # 对照HTML结构写
soup.find("div", class_="article")
.find("ol", class_="grid_view")
.find_all("div", class_="item")
)
datas = [] # 将数据存入列表
for article_item in article_items:
rank = article_item.find("div", class_="pic").find("em").get_text()
info = article_item.find("div", class_="info")
title = info.find("div", class_="hd").find("span", class_="title").get_text()
stars = (
info.find("div", class_="bd")
.find("div", class_="star")
.find_all("span") # 有4个span，所以用find_all
)
rating_star = stars[0]["class"][0] #由于class属性有多个，所以取第0个
rating_num = stars[1].get_text()
comments = stars[3].get_text()
datas.append({
"排名":rank,
"电影名称":title,
"评星":rating_star.replace("rating","").replace("-t",""),
"评分":rating_num,
"评价人数":comments.replace("人评价", "")
})
return datas
# 执行所有的HTML页面的解析
all_datas = []
for html in htmls:
all_datas.extend(parse_single_html(html))
4.将数据存储为csv文件
df = pd.DataFrame(all_datas)
df.to_csv("豆瓣电影Top100.csv")
然后就生成了csv文件：
打开它，发现出现乱码：
解决方法：
1. 用记事本打开该文件：
2.另存为csv文件（在文件名后面加.csv后缀），并把编码改为带有BOM的UTF-8
3.再次打开该csv文件，就不会出现乱码了：
完整源代码：
import requests
from bs4 import BeautifulSoup
import pandas as pd
page_indexs = range(0, 100, 25) # 构造分页列表
list(page_indexs)
def download_all_htmls(): # 爬取4个页面的HTML，用于后续的分析
htmls = []
for idx in page_indexs:
url = f"https://movie.douban.com/top250?start={idx}&filter=" # 替换分页参数
print("craw html:", url)
r = requests.get(url,
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)"})
# r返回一个包含服务器资源的Response对象
if r.status_code != 200:
raise Exception("error") # 当程序出错时通过raise语句显示引发异常
htmls.append(r.text)
return htmls
# 执行爬取
htmls = download_all_htmls() # 爬取4个页面的HTML
def parse_single_html(html): # 解析单个HTML，得到数据
soup = BeautifulSoup(html, 'html.parser') # 解析HTML数据
article_items = ( # 对照HTML结构写
soup.find("div", class_="article")
.find("ol", class_="grid_view")
.find_all("div", class_="item")
)
datas = [] # 将数据存入列表
for article_item in article_items:
rank = article_item.find("div", class_="pic").find("em").get_text()
info = article_item.find("div", class_="info")
title = info.find("div", class_="hd").find("span", class_="title").get_text()
stars = (
info.find("div", class_="bd")
.find("div", class_="star")
.find_all("span") # 有4个span，所以用find_all
)
rating_star = stars[0]["class"][0] #由于class属性有多个，所以取第0个
rating_num = stars[1].get_text()
comments = stars[3].get_text()
datas.append({
"rank":rank,
"title":title,
"rating_star":rating_star.replace("rating","").replace("-t",""),
"rating_num":rating_num,
"comments":comments.replace("人评价", "")
})
return datas
# 执行所有的HTML页面的解析
all_datas = []
for html in htmls:
all_datas.extend(parse_single_html(html))
df = pd.DataFrame(all_datas)
df.to_csv("豆瓣电影Top100.csv")