Python爬虫实战-批量爬取豆瓣电影排行信息
大家好，我是python222小锋老师。
近日锋哥又卷了一波Python实战课程-批量爬取豆瓣电影排行信息，主要是巩固下Python爬虫基础
视频版教程：
Python爬虫实战-批量爬取豆瓣电影排行信息 视频教程_哔哩哔哩_bilibiliPython爬虫实战-批量爬取豆瓣电影排行信息 视频教程作者：小锋老师官网：www.python222.com, 视频播放量 344、弹幕量 0、点赞数 13、投硬币枚数 7、收藏人数 18、转发人数 0, 视频作者 java1234官方, 作者简介 公众号：java1234 微信：java9266，相关视频：Python爬虫实战-批量爬取下载网易云音乐，Python爬虫实战-批量爬取美女图片网下载图片 视频教程，这个视频可能会得罪很多人..终极爬虫JS逆向教程！突破反爬虫防御的终极指南，从入门到实战，就没有爬不了的网站！，【Python爬虫教程】你敢学我就敢发！300集从入门到入狱（完整版）胆小勿学！全程干货无废话，学完即可兼职接单！，2024 一天掌握python爬虫【基础篇】 涵盖 requests、beautifulsoup、selenium 【无废话版】，【Python爬虫】三分钟教你免费下载全网VIP音乐，音乐一键下载免费听，告别付费时代，小白也能学得会，附源码！，【Python爬虫】手把手教你爬取百度文库PPT文档，破解百度文库收费限制，下载PPT再也没花过钱！，【B站第一】清华大佬196小时讲完的Python入门学习教程！从小白到大神！整整300集，全干货无废话，学完即可就业！允许白嫖！！，【2023百度文库VIP文档PPT免费下载】Python白嫖百度文库付费VIP文档，破解百度文库收费限制，零基础白嫖教程！！！，【Python教程】一分钟轻松实现观影自由，教你用Python免费看电影，代码可分享 | Python爬虫教程
https://www.bilibili.com/video/BV1aN411u7o5/
爬虫目标网站：
https://movie.douban.com/top250
经过分析，一共10页，第二页，第二页，...，第10页的规律是：
分页规律 第N页
https://movie.douban.com/top250?start=25*(N-1)&filter=爬取网页，解析数据，处理数据，我们最终把数据存入Excel。
因为涉及到分页，所以我们要对解析url，解析网页，导出Excel代码，进行封装，方便复用。
解析请求，爬取网页方法：
def crawl_html(url):
"""
解析请求，爬取网页
:param url: 请求地址
:return: 网页源码
"""
response = requests.get(url=url, headers=headers)
return response.text解析网页源码方法：
def parse_html(html):
"""
解析网页源码
:param html: 页面源码
:return: 页面 电影对象信息列表 [ {'':''},{},{} ]
"""
# 实例化soup
soup = BeautifulSoup(html, "lxml")
# 获取所有电影DOM
movie_list = soup.select("ol.grid_view li")
# print(movie_list)
# 电影数据对象列表
movie_data_list = []
for movie in movie_list:
try:
rank = movie.select_one("div.pic em").text # 获取排名
title = movie.select_one("div.info span.title").text # 获取电影名称
info = movie.select_one("div.bd p").text.strip() # 获取电影描述信息
rating_num = movie.select_one("div.star span.rating_num").text # 获取评分
comment_count = movie.select("div.star span")[3].text.replace("人评价", "") # 获取评论数
quete_dom = movie.select_one("p.quote span.inq")
quote = ""
if quete_dom:
quote = quete_dom.text
# quote = movie.select_one("p.quote span.inq").text # 获取电影描述
movie_data_list.append({
"rank": rank,
"title": title,
"info": info,
"rating_num": rating_num,
"comment_count": comment_count,
"quote": quote
})
except:
print(movie.select_one("div.pic em").text, "异常", traceback.print_exc())
continue
return movie_data_list导出Excel方法：借助pandas库
def export_excel(datas):
"""
导出数据到Excel
:param datas: 数据
:return:
"""
df = pd.DataFrame(datas)
df.to_excel("豆瓣电影TOP250.xlsx")完整源码参考：具体代码解释，参考帖子顶部的视频教程。
"""
豆瓣电影 Top 250 抓取电影信息，存到excel里面
使用requests爬取网页，使用bs4解析数据，使用pandas将数据写入Excel
目标网页：https://movie.douban.com/top250
分页规律 第N页
https://movie.douban.com/top250?start=25*(N-1)&filter=
作者：小锋老师
官网：www.python222.com
"""
import traceback
import requests
from bs4 import BeautifulSoup
import pandas as pd
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36'
}
url = "https://movie.douban.com/top250?start=0&filter="
def crawl_html(url):
"""
解析请求，爬取网页
:param url: 请求地址
:return: 网页源码
"""
response = requests.get(url=url, headers=headers)
return response.text
def parse_html(html):
"""
解析网页源码
:param html: 页面源码
:return: 页面 电影对象信息列表 [ {'':''},{},{} ]
"""
# 实例化soup
soup = BeautifulSoup(html, "lxml")
# 获取所有电影DOM
movie_list = soup.select("ol.grid_view li")
# print(movie_list)
# 电影数据对象列表
movie_data_list = []
for movie in movie_list:
try:
rank = movie.select_one("div.pic em").text # 获取排名
title = movie.select_one("div.info span.title").text # 获取电影名称
info = movie.select_one("div.bd p").text.strip() # 获取电影描述信息
rating_num = movie.select_one("div.star span.rating_num").text # 获取评分
comment_count = movie.select("div.star span")[3].text.replace("人评价", "") # 获取评论数
quete_dom = movie.select_one("p.quote span.inq")
quote = ""
if quete_dom:
quote = quete_dom.text
# quote = movie.select_one("p.quote span.inq").text # 获取电影描述
movie_data_list.append({
"rank": rank,
"title": title,
"info": info,
"rating_num": rating_num,
"comment_count": comment_count,
"quote": quote
})
except:
print(movie.select_one("div.pic em").text, "异常", traceback.print_exc())
continue
return movie_data_list
def export_excel(datas):
"""
导出数据到Excel
:param datas: 数据
:return:
"""
df = pd.DataFrame(datas)
df.to_excel("豆瓣电影TOP250.xlsx")
datas = [] # 所有电影数据
for i in range(1, 11): # 遍历10页
start = 25 * (i - 1)
url = f"https://movie.douban.com/top250?start={start}&filter="
print(url)
movie_data_list = parse_html(crawl_html(url))
datas += movie_data_list
export_excel(datas)