Python爬取豆瓣Top250电影中2000年后上映的影片信息
Python爬取豆瓣Top250电影中2000年后上映的影片信息
前言
双十一前加在京东购物车的一个东西，价格330，Plus会员用券后差不多310。双十一当天打开看了下399，还得去抢满300减100的券。不得不说，套路真的深，京东是越来越没底线，吐槽一下。
考虑写个爬虫把部分商品信息价格优惠记录一下，近期忙到吐血，也没开始尝试。看大家第一条爬虫教学都是爬豆瓣电影信息(不过大多都已经不能运行，豆瓣的格式改过了)，果真是娱乐至上的年代啊。。
我也遵从前辈们走过的路，来一遍爬取豆瓣Top250电影
准备
环境:Python2.7.15 64-bit
依赖库：urllib2
urllib2安装
pip install urllib2
urllib2简介
这段转自：https://blog.csdn.net/qq_41185868/article/details/80488303
urllib和urllib2之间PK
1、在python中，urllib和urllib2不可相互替代的。 整体来说，urllib2是urllib的增强，但是urllib中有urllib2中所没有的函数。
urllib2可以用urllib2.openurl中设置Request参数，来修改Header头。如果你访问一个网站，想更改User Agent（可以伪装你的浏览器），你就要用urllib2.
urllib支持设置编码的函数，urllib.urlencode,在模拟登陆的时候，经常要post编码之后的参数，所以要想不使用第三方库完成模拟登录，你就需要使用urllib。
urllib一般和urllib2一起搭配使用
2、urllib 和urllib2都是接受URL请求的相关模块，但是提供了不同的功能。两个最显著的不同如下：
urllib提供urlencode方法用来GET查询字符串的产生，而urllib2没有。这是为何urllib常和urllib2一起使用的原因。
urllib2可以接受一个Request类的实例来设置URL请求的headers，urllib仅可以接受URL。这意味着，你不可以伪装你的User Agent字符串等（伪装浏览器）。
urllib2模块比较优势的地方是urlliburllib2.urlopen可以接受Request对象作为参数，从而可以控制HTTP Request的header部分。
urllib2模块没有加入urllib.urlretrieve函数以及urllib.quote等一系列quote和unquote功能，因此有时也需要urllib的辅助
urllib2在python3中被修改为urllib.request。
相关文章
urllib
urllib2
urllib3
python的httplib、urllib和urllib2的区别及其应用
深入理解urllib、urllib2及requests
分析网页信息
<col class="grid_view">
<li>
<div class="item">
<div class="pic">
<em class="">1em>
<a href="http://movie.douban.com/subject/1292052/">
<img alt="肖申克的救赎" src="http://img3.douban.com/view/movie_poster_cover/ipst/public/p480747492.jpg" class="">
a>
div>
<div class="info">
<div class="hd">
<a href="http://movie.douban.com/subject/1292052/" class="">
<span class="title">肖申克的救赎span>
<span class="title"> / The Shawshank Redemptionspan>
<span class="other"> / 月黑高飞(港) / 刺激1995(台)span>
a>
<span class="playable">[可播放]span>
div>
<div class="bd">
<p class="">
导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
1994 / 美国 / 犯罪 剧情
p>
<div class="star">
<span class="rating5-t"><em>9.6em>span>
<span>646374人评价span>
div>
<p class="quote">
<span class="inq">希望让人自由。span>
p>
div>
div>
div>
li>
正则表达式
pattern = re.compile(u'.*?.*?.*?'
+ u'(.*?).*?' # 排名
+ u'.*?(.*?) .*?' # 电影名
+ u' / (.*?) .*?.*?' # 电影别名
# + u'.*?.*?'
+ u'导演: (.*?) ' # 导演
+ u'主演: (.*?)
' # 主演
+ u'(.*?) / ' # 年份
+ u'(.*?) / ' # 原产国
+ u'(.*?)' # 类型
+ u'.*?.*?property="v:average">(.*?) ' # 平均评分
+ u'.*?(.*?)人评价.*?.*?' # 评论数
+ u'(.*?) .*?', re.S)
完整代码
# -*- coding:utf-8 -*-
import urllib2
import re
import sys
class MovieTop250:
def __init__(self):
#设置默认编码格式为utf-8
reload(sys)
sys.setdefaultencoding('utf-8')
self.start = 0
self.param = '&filter=&type='
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64)'}
self.movieList = []
self.filePath = './DoubanTop250.txt'
def getPage(self):
try:
URL = 'http://movie.douban.com/top250?start=' + str(self.start)
request = urllib2.Request(url = URL, headers = self.headers)
response = urllib2.urlopen(request)
page = response.read().decode('utf-8')
pageNum = (self.start + 25)/25
print('正在抓取第' + str(pageNum) + '页数据...' )
self.start += 25
return page
except e:
if hasattr(e, 'reason'):
print('抓取失败，具体原因：', e.reason)
def getMovie(self):
pattern = re.compile(u'.*?.*?.*?'
+ u'(.*?).*?' # 排名
+ u'.*?(.*?) .*?' # 电影名
+ u' / (.*?) .*?.*?' # 电影别名
# + u'.*?.*?'
+ u'导演: (.*?) ' # 导演
+ u'主演: (.*?)
' # 主演
+ u'(.*?) / ' # 年份
+ u'(.*?) / ' # 原产国
+ u'(.*?)' # 类型
+ u'.*?.*?property="v:average">(.*?) ' # 平均评分
+ u'.*?(.*?)人评价.*?.*?' # 评论数
+ u'(.*?) .*?', re.S)
while self.start <= 225:
page = self.getPage()
movies = re.findall(pattern, page)
for movie in movies:
self.movieList.append([movie[0], movie[1], movie[2].lstrip(' / '),
movie[3].lstrip(' / '), movie[4],
movie[5], movie[6].lstrip(), movie[7], movie[8].rstrip(),
movie[9], movie[10]])
def writeTxt(self):
fileTop250 = open(self.filePath, 'w')
try:
for movie in self.movieList:
playDateY = str(movie[5]).replace("\n", "").lstrip()
if len(playDateY) == 4:
yNum = int(playDateY)
if(yNum < check_year):
continue
fileTop250.write('电影排名：' + movie[0] + '\r\n')
fileTop250.write('电影名称：' + movie[1] + '\r\n')
fileTop250.write('外文名称：' + movie[2] + '\r\n')
fileTop250.write('导演姓名：' + movie[3] + '\r\n')
fileTop250.write('参与主演：' + movie[4] + '\r\n')
fileTop250.write('上映年份：' + str(movie[5]).replace("\n", "").lstrip() + '\r\n')
fileTop250.write('制作国家/地区：' + movie[6] + '\r\n')
fileTop250.write('电影类别：' + str(movie[7]).replace("\n", "") + '\r\n')
fileTop250.write('电影评分：' + movie[8] + '\r\n')
fileTop250.write('参评人数：' + movie[9] + '\r\n')
fileTop250.write('简短影评：' + movie[10] + '\r\n\r\n')
print('文件写入成功...')
finally:
fileTop250.close()
def main(self):
print('正在从豆瓣电影Top250抓取数据...')
self.getMovie()
self.writeTxt()
print('抓取完毕...')
# 2000年以前的电影不关心
check_year = 2000
DouBanSpider = MovieTop250()
DouBanSpider.main()
## 运行
/Users/l2xin/Documents/Gitee/PythonUitls/WebCrowler/MovieTop250.py
正在从豆瓣电影Top250抓取数据...
正在抓取第1页数据...
正在抓取第2页数据...
正在抓取第3页数据...
正在抓取第4页数据...
正在抓取第5页数据...
正在抓取第6页数据...
正在抓取第7页数据...
正在抓取第8页数据...
正在抓取第9页数据...
正在抓取第10页数据...
文件写入成功...
抓取完毕...
DoubanTop250.txt
电影排名：7
电影名称：千与千寻
外文名称：神隐少女(台) / Spirited Away
导演姓名：宫崎骏 Hayao Miyazaki
参与主演：柊瑠美 Rumi Hîragi / 入野自由 Miy...
上映年份：2001
制作国家/地区：日本
电影类别：剧情 动画 奇幻
电影评分：9.3
参评人数：872152
简短影评：最好的宫崎骏，最好的久石让。
电影排名：9
电影名称：盗梦空间
外文名称：潜行凶间(港) / 全面启动(台)
导演姓名：克里斯托弗·诺兰 Christopher Nolan
参与主演：莱昂纳多·迪卡普里奥 Le...
上映年份：2010
制作国家/地区：美国 英国
电影类别：剧情 科幻 悬疑 冒险
电影评分：9.3
参评人数：961314
简短影评：诺兰给了我们一场无法盗取的梦。
电影排名：10
电影名称：机器人总动员
外文名称：瓦力(台) / 太空奇兵·威E(港)
导演姓名：安德鲁·斯坦顿 Andrew Stanton
参与主演：本·贝尔特 Ben Burtt / 艾丽...
上映年份：2008
制作国家/地区：美国
电影类别：爱情 科幻 动画 冒险
电影评分：9.3
参评人数：636867
简短影评：小瓦力，大人生。
电影排名：11
电影名称：忠犬八公的故事
外文名称：忠犬小八(台) / 秋田犬八千(港)
导演姓名：莱塞·霍尔斯道姆 Lasse Hallström
参与主演：理查·基尔 Richard Ger...
上映年份：2009
制作国家/地区：美国 英国
电影类别：剧情
电影评分：9.3
参评人数：621135
简短影评：永远都不能忘记你所爱的人。
···
其他
某些地方正则匹配还有问题，正则实在是不熟，以后再慢慢玩。
电影排名：23
电影名称：触不可及
外文名称：闪亮人生(港) / 逆转人生(台)
导演姓名：奥利维·那卡什 Olivier Nakache / 艾力克·托兰达 Eric Toledano 主...
2011 / 法国 / 剧情 喜剧
463398人评价
满满温情的高雅喜剧。
导演: 罗伯·莱纳 Rob Reiner 参与主演：玛德琳·卡罗尔 Madeline Carroll / 卡... 上映年份：2010 制作国家/地区：美国 电影类别：剧情 喜剧 爱情 电影评分：9.0 参评人数：746761 简短影评：真正的幸福是来自内心深处。
参考
-
Py之urllib2：Python库之urllib、urllib2、urllib3系列简介、安装、使用方法之详细攻略
-
python爬虫实战 | 爬取豆瓣TOP250排名信息
-
http://www.cnblogs.com/jzincnblogs/p/4899348.html
-
https://blog.csdn.net/pbgc396dwxjb77f2je/article/details/79832021