爬虫项目实战：利用基于selenium框架的爬虫模板爬取豆瓣电影Top250

• Hi, I’m @货又星
• I’m interested in …
• I’m currently learning …
• I’m looking to collaborate on …
• How to reach me …
  • README 目录（持续更新中） 各种错误处理、爬虫实战及模板、百度智能云人脸识别、计算机视觉深度学习CNN图像识别与分类、PaddlePaddle自然语言处理知识图谱、GitHub、运维…
  • WeChat：1297767084
  • GitHub：https://github.com/cxlhyx

概要

利用基于selenium框架的爬虫模板进行项目实战
博主之前发了一篇爬虫：解决动态刷新、基于selenium框架的爬虫、解决登录以及验证码问题（含爬虫模板），介绍了爬虫如何解决动态刷新、基于selenium框架的爬虫、如何解决登录以及验证吗问题，以及分享了爬虫的源码：爬虫模板、基于selenium框架的爬虫模板（包含登录与验证码问题）、爬虫项目实战：爬虫模板爬取单位净值 (动态更新网址)。

还利用了爬虫模板来进行简单的入门项目：爬取豆瓣图书Top250。爬虫项目实战：利用爬虫模板爬取豆瓣图书Top250

今天我们利用基于selenium框架的爬虫模板进行另外一个简单的入门项目：爬取豆瓣电影Top250。流程基本上是一样的，但使用selenium框架我们可以解决某些看得到源码，使用request库却爬取不到的情况。

整体架构流程

整体架构流程基于selenium框架的爬虫模板
由于豆瓣电影没有使用太强的反爬机制，html源码利用F12打开开发人员工具看得到也爬得到，所以直接使用简单的爬虫模板也是可以的。但这了我们使用基于selenium框架的爬虫模板，模板请在概要或者源码的链接里自取。

技术细节

其实这里要做的与使用爬虫模板爬取豆瓣图书Top250是一样的，大家可以对比一下。
爬虫项目实战：利用爬虫模板爬取豆瓣图书Top250
需要做的修改：

• Step 2: 解析网页并提取目标数据
• Step 3: 存储数据到本地或其他持久化存储服务器中
• Step 4: 控制流程，调用上述函数完成数据抓取任务

Step 2: 解析网页并提取目标数据

对爬取到的html源码进行解析，需要我们对html语言有一定的了解，可以简单了解一下HTML 教程- (HTML5 标准)，同时还需要对BeautifulSoup有了解，可以参考python爬虫之Beautifulsoup模块用法详解。
这里我们主要爬取电影的名称、人物时间地点类型、评分、简介。我们打开一个网页豆瓣电影 Top 250，F12打开开发人员工具，查看对应的html源码。

可以看到：

1. 名称：有三种，中文名，外文名，别名。各自在一个span标签内，所以我们向上找它们的父标签，是一个链接标签a，不太方便查找，继续向上找，可以查找class为hd的div标签，然后在这个标签里去找class为title或other的span标签。注意到在外文名、别名前有 / ，爬取后会变成\xa0/\xa0，所以需要将他们去掉。

data_list = []
data_list.append([[j.text.replace("\xa0/\xa0", "") for j in i.find_all('span', ['title', 'other'])]
                 for i in soup.find_all('div', 'hd')])  # 电影名

2. 人物时间地点类型：在class为空的p标签里，所以只能向上找class为bd的div标签，然后再在这个标签里去找p标签。一样需要对爬取下来的字符串进行处理，包括\ 、\n、空格等等
   。

 wwww = []
 for i in soup.find_all('div', 'bd'):
     tmp = []
     for j in i.find('p', _class=''):
         text = j.text.replace("\xa0\xa0\xa0", '\\')
         text = text.replace("\xa0", "")
         text = text.replace("\n", "")
         text = text.replace(" ", "")
         if text != "" and text != '豆瓣':
             tmp.append(text)
     if len(tmp) != 0:
         wwww.append(tmp)
 data_list.append(wwww)  # who when where what

3. 评分：由于评分所在的标签span，既有属性class=“rating_num”，又有property=“v:average”,所以很明显可以直接查找。

data_list.append([i.text for i in soup.find_all('span', {'class': "rating_num", 'property': "v:average"})])  # 评分

4. 简介：在一个p标签里面，但它所在的span标签有class为inq，可以直接查找。不过比起其它三个，某些书没有这一项，所以有可能会对应不上，于是对于没有的，我们把它设为空。因此，我们也没办法直接查找span标签了，所以我们通过它的祖先标签div，class值为info间接搜索它，找到的直接添加在数据列表，没有就加空字符串。

 About = []
 for i in soup.find_all('div', 'info'):
     if i.find('span', 'inq'):
         About.append(i.find('span', 'inq').text)
     else:
         About.append(" ")
 data_list.append(About)  # 简介

Step 3: 存储数据到本地或其他持久化存储服务器中

在step2中，我们将爬取到250部电影的名字、人物时间地点类型、评分、简介分别存在一个列表当中，一共4个列表，再把它们放在一个大列表中。这一步要做的是就是把他们存储在txt或者其它文件当中，还是比较简单的，主要就是文件的读取而已。

与爬取图书稍有不同，电影名字可能有中文名，外文名，别名，也有可能只有中文名和别名，这里需要区分一下。还有就是人物时间地点类型，会分成两部分爬取，即人物、时间地点类型。评分与简介是一样的。

 with open("豆瓣电影Top250.txt", 'a', encoding='utf-8') as file:
	 for i in range(25):
	     if len(result_list[0][i]) == 2:
	         file.write("Chinese name: " + result_list[0][i][0] + '\n')
	         file.write("Other name: " + result_list[0][i][1] + '\n')
	     elif len(result_list[0][i]) == 3:
	         file.write("Chinese name: " + result_list[0][i][0] + '\n')
	         file.write("Foreign name: " + result_list[0][i][1] + '\n')
	         file.write("Other name: " + result_list[0][i][2] + '\n')
	     file.write("Who: " + result_list[1][i][0] + '\n')
	     file.write("When/Where/What: " + result_list[1][i][1] + '\n')
	     file.write("Score: " + result_list[2][i] + '\n')
	     file.write("About: " + result_list[3][i] + '\n')
	     file.write('=' * 50 + '\n')

Step 4: 控制流程，调用上述函数完成数据抓取任务

与基于selenium框架的爬虫模板相比，这一步只需稍微修改，原因是豆瓣的每一页只有25部电影，而我们要爬取的是Top250的。那么如何解决呢，观察榜单的链接可以发现榜单的每一页的链接都只是在 https://movie.douban.com/top250?start= 的后面加上0、25…而已，所以简单遍历一下就可以了。
与爬取豆瓣图书Top250相比则在于需要打开关闭浏览器。

driver = webdriver.Firefox()  # 打开火狐浏览器
spider = MySpider()
url = "https://movie.douban.com/top250?start="
for page in trange(0, 250, 25):
    target_url = url + str(page)
    html_content = spider.get_html_content(target_url)
    if html_content:
        result_list = spider.parse_html(html_content)
        spider.store_data(result_list)
    else:
        print("网页访问失败")
driver.close()  # 关闭浏览器

结果

部分结果如图

源码

基于selenium框架的爬虫模板请看爬虫：解决动态刷新、基于selenium框架的爬虫、解决登录以及验证码问题（含爬虫模板）

from selenium import webdriver  # 打开网页爬取源码
from bs4 import BeautifulSoup  # 解析源码
from tqdm import trange


class MySpider():
    def __init__(self):
        pass

    # Step 1: 访问网页并获取响应内容
    def get_html_content(self, url):
        try:
            driver.get(url)
            driver.set_page_load_timeout(10)  # 设置超时限制10s
            html_content = driver.page_source  # 网页内容
            return html_content  # 返回网页内容
        except Exception as e:
            print(f"网页请求异常：{e}")
            return None

    # Step 2: 解析网页并提取目标数据
    def parse_html(self, html_content):
        soup = BeautifulSoup(html_content, 'html.parser')  # 解析 html 数据
        # TODO：根据需求编写解析代码，并将结果保存到合适的数据结构中
        data_list = []
        data_list.append([[j.text.replace("\xa0/\xa0", "") for j in i.find_all('span', ['title', 'other'])]
                          for i in soup.find_all('div', 'hd')])  # 电影名
        wwww = []
        for i in soup.find_all('div', 'bd'):
            tmp = []
            for j in i.find('p', _class=''):
                text = j.text.replace("\xa0\xa0\xa0", '\\')
                text = text.replace("\xa0", "")
                text = text.replace("\n", "")
                text = text.replace(" ", "")
                if text != "" and text != '豆瓣':
                    tmp.append(text)
            if len(tmp) != 0:
                wwww.append(tmp)
        data_list.append(wwww)  # who when where what
        data_list.append([i.text for i in soup.find_all('span', {'class': "rating_num", 'property': "v:average"})])  # 评分
        About = []
        for i in soup.find_all('div', 'info'):
            if i.find('span', 'inq'):
                About.append(i.find('span', 'inq').text)
            else:
                About.append(" ")
        data_list.append(About)  # 简介
        return data_list

    # Step 3: 存储数据到本地或其他持久化存储服务器中
    def store_data(self, result_list):
        # TODO：编写存储代码，将数据结果保存到本地或其他服务器中
        with open("豆瓣电影Top250.txt", 'a', encoding='utf-8') as file:
            for i in range(25):
                if len(result_list[0][i]) == 2:
                    file.write("Chinese name: " + result_list[0][i][0] + '\n')
                    file.write("Other name: " + result_list[0][i][1] + '\n')
                elif len(result_list[0][i]) == 3:
                    file.write("Chinese name: " + result_list[0][i][0] + '\n')
                    file.write("Foreign name: " + result_list[0][i][1] + '\n')
                    file.write("Other name: " + result_list[0][i][2] + '\n')
                file.write("Who: " + result_list[1][i][0] + '\n')
                file.write("When/Where/What: " + result_list[1][i][1] + '\n')
                file.write("Score: " + result_list[2][i] + '\n')
                file.write("About: " + result_list[3][i] + '\n')
                file.write('=' * 50 + '\n')


# Step 4: 控制流程，调用上述函数完成数据抓取任务
if __name__ == '__main__':
    driver = webdriver.Firefox()  # 打开火狐浏览器
    spider = MySpider()
    url = "https://movie.douban.com/top250?start="
    for page in trange(0, 250, 25):
        target_url = url + str(page)
        html_content = spider.get_html_content(target_url)
        if html_content:
            result_list = spider.parse_html(html_content)
            spider.store_data(result_list)
        else:
            print("网页访问失败")
    driver.close()  # 关闭浏览器