python爬虫教程豆瓣_Python爬虫入门教程：豆瓣Top电影爬取

基本开发环境

Python 3.6

Pycharm

相关模块的使用

requests

parsel

csv

安装Python并添加到环境变量，pip安装需要的相关模块即可。

爬虫基本思路

一、明确需求

爬取豆瓣Top250排行电影信息

电影名字

导演、主演

年份、国家、类型

评分、评价人数

电影简介

二、发送请求

Python中的大量开源的模块使得编码变的特别简单，我们写爬虫第一个要了解的模块就是requests。

请求url地址，使用get请求，添加headers请求头，模拟浏览器请求，网页会给你返回response对象

# 模拟浏览器发送请求

import requests

url = 'https://movie.douban.com/top250'

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

print(response)

200是状态码，表示请求成功

2xx (成功)

3xx (重定向)

4xx(请求错误)

5xx(服务器错误)

常见状态码

200 - 服务器成功返回网页，客户端请求已成功。

302 - 对象临时移动。服务器目前从不同位置的网页响应请求，但请求者应继续使用原有位置来进行以后的请求。

304 - 属于重定向。自上次请求后，请求的网页未修改过。服务器返回此响应时，不会返回网页内容。

401 - 未授权。请求要求身份验证。 对于需要登录的网页，服务器可能返回此响应。

404 - 未找到。服务器找不到请求的网页。

503 (服务不可用) 服务器目前无法使用(由于超载或停机维护)。通常，这只是暂时状态。

三、获取数据

import requests

url = 'https://movie.douban.com/top250'

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

print(response.text)

requests.get(url=url, headers=headers) 请求网页返回的是response对象

response.text： 获取网页文本数据

response.json： 获取网页json数据

这两个是用的最多的，当然还有其他的

apparent_encoding cookies history

iter_lines okclose

elapsed is_permanent_redirect json

raise_for_status connection encoding

is_redirect links raw

content headers iter_content

next reasonurl

四、解析数据

常用解析数据方法： 正则表达式、css选择器、xpath、lxml…

常用解析模块：bs4、parsel…

我们使用的是 parsel 无论是在之前的文章，还是说之后的爬虫系列文章，我都会使用 parsel 这个解析库，无它就是觉得它比bs4香。

parsel 是第三方模块，pip install parsel 安装即可

parsel 可以使用 css、xpath、re解析方法

所有的电影信息都包含在 li 标签当中。

# 把 response.text 文本数据转换成 selector 对象

selector = parsel.Selector(response.text)

# 获取所有li标签

lis = selector.css('.grid_view li')

# 遍历出每个li标签内容

for li in lis:

# 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个 getall() 输出形式是列表获取所有

title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串

movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表

star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')

movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情']

movie_time = movie_info[0] # 电影上映时间

movie_country = movie_info[1] # 哪个国家的电影

movie_type = movie_info[2] # 什么类型的电影

rating_num = li.css('.rating_num::text').get() # 电影评分

people = li.css('.star span:nth-child(4)::text').get() # 评价人数

summary = li.css('.inq::text').get() # 一句话概述

dit = {

'电影名字': title,

'参演人员': star,

'上映时间': movie_time,

'拍摄国家': movie_country,

'电影类型': movie_type,

'电影评分': rating_num,

'评价人数': people,

'电影概述': summary,

}

# pprint 格式化输出模块

pprint.pprint(dit)

以上的知识点使用到了

parsel 解析模块的方法

for 循环

css 选择器

字典的创建

列表取值

字符串的方法：分割、替换等

pprint 格式化输出模块

所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。

五、保存数据(数据持久化)

常用的保存数据方法 with open

像豆瓣电影信息这样的数据，保存到Excel表格里面会更好。

所以需要使用到 csv 模块

# csv模块保存数据到Excel

f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')

csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',

'电影评分', '评价人数', '电影概述'])

csv_writer.writeheader() # 写入表头

这就是爬取了数据保存到本地了。这只是一页的数据，爬取数据肯定不只是爬取一页数据。想要实现多页数据爬取，就要分析网页数据的url地址变化规律。

可以清楚看到每页url地址是 25 递增的，使用for循环实现翻页操作

for page in range(0, 251, 25):

url = f'https://movie.douban.com/top250?start={page}&filter='

完整实现代码

""""""

import pprint

import requests

import parsel

import csv

'''

1、明确需求:

爬取豆瓣Top250排行电影信息

电影名字

导演、主演

年份、国家、类型

评分、评价人数

电影简介

'''

# csv模块保存数据到Excel

f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')

csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',

'电影评分', '评价人数', '电影概述'])

csv_writer.writeheader() # 写入表头

# 模拟浏览器发送请求

for page in range(0, 251, 25):

url = f'https://movie.douban.com/top250?start={page}&filter='

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

# 把 response.text 文本数据转换成 selector 对象

selector = parsel.Selector(response.text)

# 获取所有li标签

lis = selector.css('.grid_view li')

# 遍历出每个li标签内容

for li in lis:

# 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个 getall() 输出形式是列表获取所有

title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串

movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表

star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')

movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情']

movie_time = movie_info[0] # 电影上映时间

movie_country = movie_info[1] # 哪个国家的电影

movie_type = movie_info[2] # 什么类型的电影

rating_num = li.css('.rating_num::text').get() # 电影评分

people = li.css('.star span:nth-child(4)::text').get() # 评价人数

summary = li.css('.inq::text').get() # 一句话概述

dit = {

'电影名字': title,

'参演人员': star,

'上映时间': movie_time,

'拍摄国家': movie_country,

'电影类型': movie_type,

'电影评分': rating_num,

'评价人数': people,

'电影概述': summary,

}

pprint.pprint(dit)

csv_writer.writerow(dit)

实现效果