Python爬虫学习--3--爬取豆瓣Top250电影

爬取链接

这个网页中每页有25条信息，共有10页 首先我们要做的获取每一页的连接，由第一页

https://movie.douban.com/top250                                  //第一页

https://movie.douban.com/top250?start=0&filter=          //第一页

https://movie.douban.com/top250?start=25&filter=        //第二页

···  ···

https://movie.douban.com/top250?start=225&filter=      //第十页

每一页25条，可以获得上述链接 ，仅仅是start中的字段不相同

我们使用BeautifulSoup来获取网页代码中的信息

查看源代码

可以看出所有电影信息都在一个有序列表 ol 中， class="gird_view"

获取信息保存至txt文件

# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import re
import time
import sys

def getHTMLText(url, k):
    try:
        if(k == 0):
            kw = {}
        else:
            kw = {'start':k,'filter':''}
        r = requests.get(url, params=kw, headers={'User-Agent':'Mozilla/4.0'})
        r.raise_for_status()   # 仅针对错误4** 和 5**，将引发异常，停止程序
        r.encoding = r.apparent_encoding  # 从内容中分析出的响应内容编码方式
        return r.text
    except:
        print("获取失败！")


def getData(html):
    soup = BeautifulSoup(html, "html.parser")
    moviesList = soup.find('ol', attrs={'class':'grid_view'})  # 找到第一个属性值为gird_view
    h=0
    for movieLi in moviesList.find_all('li'):  # 找到所有li的标签
        # 得到电影的名字
        movieHd=movieLi.find('div',attrs={'class':'hd'})
        movieName=movieHd.find('span',attrs={'class':'title'}).getText()
        f.write(('电影名：'+movieName+'   ').encode('utf-8'))
        print(movieName)

        # 得到电影链接
        movieUrl=movieHd.find('a', attrs={'class':''}).get('href')
        f.write(('链接：' + str(movieUrl)+ '   ').encode('utf-8'))

        # 得到影评
        movieBd = movieLi.find('div', attrs={'class': 'bd'})
        movieP = movieBd.find('p', attrs={'class': 'quote'})
        if(movieP):
            movieQuote = movieP.find('span', attrs={'class': 'inq'})
            f.write(('电影短评：' + movieQuote.getText()+ '   ').encode('utf-8'))
        else:
            f.write(('短评：没有短评'+ '   ').encode('utf-8'))

        # 得到评价人数
        movieEval=movieLi.find('div',attrs={'class':'star'})
        movieEvalNum=re.findall(r'\d+',str(movieEval))[-1]
        f.write(('评论数：' + movieEvalNum + '   ').encode('utf-8'))

        # 得到电影评分
        movieScore = movieBd.find('span', attrs={'class': 'rating_num'}).getText()
        f.write(('电影评分：' + movieScore + '   \n').encode('utf-8'))
        print(movieScore)

        # 获取电影导演主演
        movieSF=movieBd.find('p', attrs={'class':''}).getText()
        f.write(('导演主演：' + movieSF+ '   '+'\n\n').encode('utf-8'))
        print("")

url='https://movie.douban.com/top250'
k=0
i=1
with open("top250.txt","wb") as f:
    f.write("豆瓣电影Top250\n".encode('utf-8'))
    while k <= 225:
        html=getHTMLText(url,k)
        time.sleep(1)
        getData(html)
        i += 1
        k += 25

print("完成！")