爬虫入门教程⑧— BeautifulSoup解析豆瓣即将上映的电影信息

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

这是一个利器，让我们能够从复杂的HTML代码里面，提取出我们我们想要的目标数据。

• 本章我们会以 爬取豆瓣电影成都即将上映的影片信息 作为案例讲解 BeautifulSoup 的用法。
  我们需要爬取的内容有：
  所有影片的 名字、详情链接、上映时间、影片类型、地区、关注者数量。
  网页截图如下：

开始本章前，请确认你已经安装Python以及jupyter、requests、lxml和bs4这4个Python包。如果你没有，那请移步前面的章节进行安装操作：

• 爬虫入门教程⑤— 安装Python
• 爬虫入门教程⑥— 安装爬虫常用工具包。

---

 

1. 打开jupyter开始写代码
   命令行输入jupyter notebook并回车。如果你设置了默认浏览器，那么会自动打开浏览器进去到你打开cmd的文件夹。然后点击右边的New，Python3，我们就新建了一个Python3的项目了。
   如果你正好看了上一章节，那么也可以使用上次的代码文件，直接打开就好了。

1. requests请求到网页源代码
   运用上一节学到的知识，我们先进行爬取第一步，获取到网页源代码。
   豆瓣电影即将上映的影片的网页的地址是：https://movie.douban.com/cinema/later/chengdu/
   那么我们开始编写代码来获取到这个网页的源代码：

点击复制

	import requests
	url = "https://movie.douban.com/cinema/later/chengdu/"
	response = requests.get(url)
	print(response.content.decode('utf-8'))

我们可以成功看到网页的源代码了，证明网页下载没问题，而且在网页代码之中，可以找到我们需要的电影信息(在输出界面一直往下翻，快到底了就能看到啦~)

1. 保存网页到本地，方便快速加载
   网页我们拿到了，下面就要进行每一步的调试了
   为了我们能够快速调试自己的代码、给豆瓣服务器减少一点压力，也为了避免因为自己调试过快，被豆瓣封掉，所以我们最好把网页保存到本地。这样我们就能用最短的时间加载到网页，而不用每次调试都去豆瓣请求一下。

点击复制

	import requests
	url = "https://movie.douban.com/cinema/later/chengdu/"
	response = requests.get(url)
	print(response.content.decode('utf-8'))
	# 保存网页到本地
	file_obj = open('douban.html', 'w') # 以写模式打开名叫 douban.html的文件
	# 如果打开网页显示的是乱码那么就用下一行代码
	# file_obj = open('douban.html', 'w', encoding="utf-8") # 以写模式打开名叫 douban.html的文件，指定编码为utf-8
	file_obj.write(response.content.decode('utf-8')) # 把响应的html内容
	file_obj.close() # 关闭文件，结束写入

恩，Python保存文件，就这么简单。。。
这个时候，你打开jupyter最开始弹出来的页面，可以找到一个douban.html的文件了，点击打开，内容和我们目标网页一模一样，但是浏览器顶端的网址变了。

1. 读取文件并用BeautifulSoup加载
   我们现在暂时不使用上面的 区块(cell) 了，就让它保留这样子以便后用；我们在下面的新cell，开始键入代码读取文件并加载到BeautifulSoup里面：

点击复制

	from bs4 import BeautifulSoup # 从bs4引入BeautifulSoup
	# 读取文件内容到html变量里面
	file_obj = open('douban.html', 'r') # 以读方式打开文件名为douban.html的文件
	html = file_obj.read() # 把文件的内容全部读取出来并赋值给html变量
	file_obj.close() # 关闭文件对象
	soup = BeautifulSoup(html, 'lxml') # 初始化BeautifulSoup
	print(soup) # 输出BeautifulSoup转换后的内容

• 这里要说明一下，初始化BeautifuSoup的参数。
  第一个参数 html是网页的源代码，可以是个Unicode字符串，也可以是一个二进制字符串(如果第一个参数是字符串并且网页自带了charset信息，BS会默认采用网页的默认编码解码，否则默认以你当前文件执行的编码(通常是utf-8)进行解析。如果是二进制字符串，如果自己手动指定了编码，就以指定编码解析，否则默认utf-8解析)。
  第二个参数 lxml是BeautifulSoup采用的网页解析器，我们安装lxml用处就在这体现出来了。如果不指定，那么默认会采用Python内置的html.parser进行解析。
  还有更多的可用参数在之后进行讲解。

而输出的内容和我们之前的输出似乎是完全一样的，因为我们还没对soup进行操作。

1. BeautifulSoup的基本使用语法规则

   • .find() 使用示例
     soup.find('a')。那么会返回在soup包含的源代码中，遇到的第一个...标签内容对象。
     soup.find('a', id='next')。那么会返回在soup包含的源代码中，遇到的第一个有属性为id，值为next的对象，比如...。(不只可以用id，大部分其他的属性都可以直接使用，比如src、name。 值得注意的是，class这个属性因为是Python关键字，不能直接使用，所以在BS里面，使用class_='...'进行代替 )
     find返回的结果，依然可以继续使用find()或者find_all()方法。如果找不到指定的内容，find会返回None。

   • .find_all()使用示例
     soup.find_all('a')。那么会返回在soup包含的源代码中，遇到的所有...标签内容的可迭代对象(我们可以把它看成一个 list 或者数组)。
     soup.find_all('a', class_='next')。那么会返回在soup包含的源代码中，遇到的所有属性为class，值为next的的 可迭代对象，比如...。(语法和find也一样，class也不能直接写)
     find_all返回的“list”中的单个对象 依然可以继续使用find()或者find_all()方法。如果找不到指定的内容，find_all会返回一个空的“list”。

   • 获取元素的某个属性
     soup['src]，这样我们就能取出soup对象的src属性了。如果该属性不存在，那么程序会报错。

   • 获取元素中的所有文本
     soup.text，假设soup对象为

     你好复联
     ，那么这个操作返回字符串是你好复联。

2. 分析网页，制订提取内容策略
   这一步非常重要，直接影响了我们能不能提取到我们想要的内容。
   我们返回浏览器打开的豆瓣网页。找到网页中的第一个电影的名字，鼠标指向该名字，点击右键，选择 检查/审查元素，然后便会打开一个新的小窗口在页面上，并且将网页代码中电影的名字显示在了里面，并且你鼠标指向的元素会显示出它的大小，内容会被选中。

   
   我们同时滑动鼠标的位置，应该会发现
   当鼠标划到图片中的
   ...
   标签的时候，复仇者联盟影片的详细信息被选中了。
   当鼠标划到下一个
   ...
   的时候，下一个影片战犬瑞克斯的所有信息被选中了。
   当鼠标划到图片上方的
   的时候，整个我们需要采集的影片信息都被选中了。

    

   • 这几个动作告诉了我们的信息有：
     1. 我们需要的内容全都在
        里面。
     2. 每个影片的信息，都在一个
        ...
        或者
        ...
        里面。画面左边的影片没有odd属性，右边的有odd属性(这好像对于我们采集信息没啥用)。

   那么我们的策略，就是先找到囊括了所有的影片的div，然后再从这个div里面找到所有的影片的div，最后再从每个影片的div里面解析出来我们需要的名字、链接等等信息。代码就可以稍微往下写一点了。也就开始要运用前面提到的BS的一些基本用法了：

点击复制

	from bs4 import BeautifulSoup # 从bs4引入BeautifulSoup
	# 读取文件内容到html变量里面
	file_obj = open('douban.html', 'r') # 以读方式打开文件名为douban.html的文件
	html = file_obj.read() # 把文件的内容全部读取出来并赋值给html变量
	file_obj.close() # 关闭文件对象
	soup = BeautifulSoup(html, 'lxml') # 初始化BeautifulSoup
	# print(soup) # 输出BeautifulSoup转换后的内容
	all_movies = soup.find('div', id="showing-soon") # 先找到最大的div
	# print(all_movies) # 输出最大的div的内容
	for each_movie in all_movies.find_all('div', class_="item"): # 从最大的div里面找到影片的div
	print(each_movie) # 输出每个影片div的内容

1. 提取信息
   那么这一步我们需要做的，就是从这个包含了电影所有信息的div里面，提取出我们需要的信息了。先截个图，找到我们的目标们。

   

    

   现在，代码中each_movie这个变量的内容就是截图中的内容。
   目标们的位置：

名字	在第 2 个标签里面
链接	在第 1 个和第 2 个标签的 href 属性里面
上映日期	在第 1 个 标签里面
类型	在第 2 个 标签里面
地区	在第 3 个 标签里面
关注者数量	在第 4 个 标签里面

那么我们就可以开始制定策略了。
名字：先获取所有的标签，取第二个的 text。
链接：利用上一步获取到的所有标签，取第一个或者第二个的href属性。
上映日期等等我们就先取到所有的

标签，依次取出里面的text的值就是我们所需要的目标了。
那就开始写代码了！

点击复制

	from bs4 import BeautifulSoup # 从bs4引入BeautifulSoup
	# 读取文件内容到html变量里面
	file_obj = open('douban.html', 'r') # 以读方式打开文件名为douban.html的文件
	html = file_obj.read() # 把文件的内容全部读取出来并赋值给html变量
	file_obj.close() # 关闭文件对象
	soup = BeautifulSoup(html, 'lxml') # 初始化BeautifulSoup
	# print(soup) # 输出BeautifulSoup转换后的内容
	all_movies = soup.find('div', id="showing-soon") # 先找到最大的div
	# print(all_movies) # 输出最大的div的内容
	for each_movie in all_movies.find_all('div', class_="item"): # 从最大的div里面找到影片的div
	# print(each_movie) # 输出每个影片div的内容
	all_a_tag = each_movie.find_all('a') # 找到所有的a标签
	all_li_tag = each_movie.find_all('li') # 找到所有的li标签
	movie_name = all_a_tag[1].text # 从第二个a标签的文字内容提取影片名字
	moive_href = all_a_tag[1]['href'] # 从第二个a标签的文字内容提取影片链接
	movie_date = all_li_tag[0].text # 从第1个li标签的文字内容提取影片上映时间
	movie_type = all_li_tag[1].text
	movie_area = all_li_tag[2].text
	movie_lovers = all_li_tag[3].text
	print('名字：{}，链接：{}，日期：{}，类型：{}，地区：{}， 关注者：{}'.format(
	movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers))

运行效果：

1. 合并 请求网页 与 解析网页 的代码
   合并代码我们就可以去掉保存文件和读取文件的部分啦~，这就是最终版本的代码了。

点击复制

	import requests
	from bs4 import BeautifulSoup # 从bs4引入BeautifulSoup
	#请求网页
	url = "https://movie.douban.com/cinema/later/chengdu/"
	response = requests.get(url)
	# 解析网页
	# 初始化BeautifulSoup方法一：利用网页字符串自带的编码信息解析网页
	soup = BeautifulSoup(response.content.decode('utf-8'), 'lxml')
	# 初始化BeautifulSoup方法二：手动指定解析编码解析网页
	# soup = BeautifulSoup(response.content, 'lxml', from_encoding='utf-8')
	# print(soup) # 输出BeautifulSoup转换后的内容
	all_movies = soup.find('div', id="showing-soon") # 先找到最大的div
	# print(all_movies) # 输出最大的div的内容
	for each_movie in all_movies.find_all('div', class_="item"): # 从最大的div里面找到影片的div
	# print(each_movie) # 输出每个影片div的内容
	all_a_tag = each_movie.find_all('a')
	all_li_tag = each_movie.find_all('li')
	movie_name = all_a_tag[1].text
	moive_href = all_a_tag[1]['href']
	movie_date = all_li_tag[0].text
	movie_type = all_li_tag[1].text
	movie_area = all_li_tag[2].text
	movie_lovers = all_li_tag[3].text
	print('名字：{}，链接：{}，日期：{}，类型：{}，地区：{}， 关注者：{}'.format(
	movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers))

顺便布置个作业： 试着自己把影片海报的链接给爬下来并输出。
 

1. 总结
   本章，我们利用了上一章所学的用 jupyter 编写代码、requests 请求网页的技能。
   新学习了如何从目标网页提取我们需要的信息。需要掌握的是BeautifulSoup的简单使用。
   学会把请求和解析分开来完成，这样代码会更加具有结构性，一个一个模块完成了，最后拼接起来，就是摩天大厦了！
   教程可能会比较长，其实就一个30行的代码，为了讲的详细，所以可能有很多废话。能够认真看到这里的，那肯定是非常有恒心有耐心的人。
   另外，写代码不要老是复制哦，一定要试着自己写，写代码的过程非常重要。