Python爬虫实战 | (3) 爬取豆瓣电影Top250

在本篇博客中，我们将使用requests+正则表达式来爬取豆瓣电影TOP250电影榜单，获取每部电影的序号、片名、导演、编剧、主演、类型、制作国家/地区、语言、上映日期、片长、又名、豆瓣评分和剧情简介等内容。

打开豆瓣Top250，分析URL的变化：发现Top250榜总共包含10页，每页25部电影，并且每一页的URL都是有规律的，如第2页的URL是https://movie.douban.com/top250?start=25&filter=，第三页https://movie.douban.com/top250?start=50&filter=

由此可得，第n页是https://movie.douban.com/top250?start=(n-1)*25&filter=。接下来我们通过爬虫四部曲，来对其进行爬取：

首先搭建起程序的主体框架：

import requests
from requests.exceptions import RequestException
import re

def get_page(url):
    pass

def get_movie_list(html):
    pass

def get_content(movie_url):
    pass



if __name__ == '__main__':
    for i in range(10):
        url = 'https://movie.douban.com/top250?start='+str(i*25)
        #发送请求 获取响应
        html = get_page(url)
        #解析响应 获取电影列表
        movie_list = get_movie_list(html)
        #获取每部电影的详细内容
        for movie in movie_list:
            get_content(movie[1])

发送请求，获取响应：

def get_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url,headers=headers)
        if response.status_code==200:
            response.encoding = response.apparent_encoding
            return response.text
        return None
    except RequestException:
        return None

和之前爬取猫眼电影不同，我们需要剧情简介等内容，需要点开每部电影，获取详细信息。所以，我们首先要把页面上所有电影的链接爬下来，再逐个链接进行详细信息的爬取。

初始页面的每部电影都包含在li标签中，电影的序号和链接都在上图所示的标签中，接下里我们需要解析初始页面的html代码，提取电影序号和链接：

def get_movie_list(html):
    pattern = re.compile('
(.*?).*?.*?',re.S)
    movie_list = pattern.findall(html)
    return movie_list

依次打开每个电影的url，对详细信息分别进行解析提取：

1）片名

2）导演、编剧、主演、类型、制作国家/地区、语言、上映日期、片长、又名、豆瓣评分

3）剧情简介

def get_content(movie_url):
    html = get_page(movie_url)
    html = str(html)
    #获取片名
    pattern = re.compile('(.*?)',re.S)
    name = pattern.findall(html)
    print(name)
    #导演
    pattern = re.compile('(.*?)',re.S)
    director = pattern.findall(html)
    print(director)

    #编剧 没办法一次解析出来 可以解析两次 第一次缩小范围
    pattern = re.compile("编剧: (.*?)
",re.S)
    author = pattern.findall(html)
    if author:
        pattern = re.compile('(.*?)',re.S)
        author = pattern.findall(author[0])
    print(author)

    #主演
    pattern = re.compile('(.*?)',re.S)
    actor = pattern.findall(html)
    print(actor)

    #类型
    pattern = re.compile('(.*?)',re.S)
    type = pattern.findall(html)
    print(type)

    #制片国家/地区
    pattern = re.compile('制片国家/地区:(.*?)
',re.S)
    area = pattern.findall(html)
    print(area)

    #语言
    pattern = re.compile('语言:(.*?)
',re.S)
    language = pattern.findall(html)
    print(language)

    #上映时间
    pattern = re.compile('(.*?)',re.S)
    time = pattern.findall(html)
    print(time)

    #片长
    pattern = re.compile('(.*?)',re.S)
    runtime = pattern.findall(html)
    print(runtime)

    #又名
    pattern = re.compile('又名:(.*?)
',re.S)
    other_name = pattern.findall(html)
    print(other_name)

    #评分
    pattern = re.compile('(.*?)',re.S)
    score = pattern.findall(html)
    print(score)

    #简介
    pattern = re.compile('(.*?)',re.S)
    introduce = pattern.findall(html)

    introduce = introduce[0].strip().replace('\n', '').replace('\t', '').replace(
		'                                    
                                　　', '')
    print(introduce)

    # 保存数据
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(movie[0] + '\t' + movie[1] + '\t' + str(name) + '\t' + str(director) + '\t' + str(author) + '\t' + str(
            actor) + '\t' + str(type) + '\t' + str(area) + '\t' + str(language) + '\t' + str(
            time) + '\t' + str(runtime) + '\t' + str(other_name) + '\t' + str(
            score) + '\t' + introduce + '\n')

完整代码：

import requests
from requests.exceptions import RequestException
import re

def get_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url,headers=headers)
        if response.status_code==200:
            response.encoding = 'utf-8'
            return response.text
        return None
    except RequestException:
        return None

def get_movie_list(html):
    pattern = re.compile('
(.*?).*?.*?',re.S)
    movie_list = pattern.findall(html)
    return movie_list

def get_content(movie_url):
    html = get_page(movie_url)
    html = str(html)
    #获取片名
    pattern = re.compile('(.*?)',re.S)
    name = pattern.findall(html)
    print(name)
    #导演
    pattern = re.compile('(.*?)',re.S)
    director = pattern.findall(html)
    print(director)

    #编剧 没办法一次解析出来 可以解析两次 第一次缩小范围
    pattern = re.compile("编剧: (.*?)
",re.S)
    author = pattern.findall(html)
    if author:
        pattern = re.compile('(.*?)',re.S)
        author = pattern.findall(author[0])
    print(author)

    #主演
    pattern = re.compile('(.*?)',re.S)
    actor = pattern.findall(html)
    print(actor)

    #类型
    pattern = re.compile('(.*?)',re.S)
    type = pattern.findall(html)
    print(type)

    #制片国家/地区
    pattern = re.compile('制片国家/地区:(.*?)
',re.S)
    area = pattern.findall(html)
    print(area)

    #语言
    pattern = re.compile('语言:(.*?)
',re.S)
    language = pattern.findall(html)
    print(language)

    #上映时间
    pattern = re.compile('(.*?)',re.S)
    time = pattern.findall(html)
    print(time)

    #片长
    pattern = re.compile('(.*?)',re.S)
    runtime = pattern.findall(html)
    print(runtime)

    #又名
    pattern = re.compile('又名:(.*?)
',re.S)
    other_name = pattern.findall(html)
    print(other_name)

    #评分
    pattern = re.compile('(.*?)',re.S)
    score = pattern.findall(html)
    print(score)

    #简介
    pattern = re.compile('(.*?)',re.S)
    introduce = pattern.findall(html)

    introduce = introduce[0].strip().replace('\n', '').replace('\t', '').replace(
		'                                    
                                　　', '')
    print(introduce)

    # 保存数据
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(movie[0] + '\t' + movie[1] + '\t' + str(name) + '\t' + str(director) + '\t' + str(author) + '\t' + str(
            actor) + '\t' + str(type) + '\t' + str(area) + '\t' + str(language) + '\t' + str(
            time) + '\t' + str(runtime) + '\t' + str(other_name) + '\t' + str(
            score) + '\t' + introduce + '\n')




if __name__ == '__main__':
    for i in range(10):
        url = 'https://movie.douban.com/top250?start='+str(i*25)
        print(url)
        #发送请求 获取响应
        html = get_page(url)
        #print(html)
        #解析响应 获取电影列表
        movie_list = get_movie_list(html)
        print(movie_list)
        #获取每部电影的详细内容
        for movie in movie_list:
            get_content(movie[1])