【Python爬虫必看】零基础手把手教你爬取豆瓣电影Top250，附完整代码实战！

各位小伙伴们好呀，我是唐叔。今天咱们来聊聊Python爬虫这个神奇的工具。

一、爬虫到底是什么？

简单来说，爬虫就是自动抓取网页数据的程序，就像一只勤劳的小蜘蛛，在互联网上爬来爬去，把我们需要的信息收集起来。

1.1 爬虫的典型应用场景

1. 搜索引擎（比如百度、Google）
2. 价格监控（比价网站）
3. 舆情分析（抓取社交媒体数据）
4. 数据采集（学术研究、市场调研）

二、Python爬虫必备工具包

在Python中，这几个库是爬虫的"黄金搭档"：

库名	用途	安装命令
requests	发送HTTP请求	pip install requests
BeautifulSoup	解析HTML	pip install beautifulsoup4
lxml	快速解析库	pip install lxml
selenium	浏览器自动化	pip install selenium

三、基础爬虫四步走

3.1 第一步：发送请求

import requests

url = 'https://www.example.com'
response = requests.get(url)
print(response.status_code)  # 200表示成功

3.2 第二步：解析内容

from bs4 import BeautifulSoup

soup = BeautifulSoup(response.text, 'lxml')
title = soup.find('h1').text
print(f"网页标题: {title}")

3.3 第三步：提取数据

links = [a['href'] for a in soup.find_all('a', href=True)]
print("页面链接:", links)

3.4 第四步：存储数据

import csv

with open('data.csv', 'w', newline='') as f:
    writer = csv.writer(f)
    writer.writerow(['链接'])
    writer.writerows([[link] for link in links])

四、实战案例：爬取豆瓣电影Top250

下面唐叔带大家做一个完整的实战项目，记得跟着敲代码哦！

4.1 目标分析

我们要获取：

• 电影名称
• 评分
• 经典台词
• 详情页链接

4.2 完整代码实现

import requests
from bs4 import BeautifulSoup
import csv
import time

def scrape_douban_top250():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
    }

    base_url = 'https://movie.douban.com/top250'
    movies = []

    for start in range(0, 250, 25):
        url = f"{base_url}?start={start}"
        response = requests.get(url, headers=headers)
        soup = BeautifulSoup(response.text, 'lxml')

        for item in soup.find_all('div', class_='item'):
            title = item.find('span', class_='title').text
            rating = item.find('span', class_='rating_num').text
            quote = item.find('span', class_='inq').text if item.find('span', class_='inq') else "无"
            link = item.find('a')['href']

            movies.append([title, rating, quote, link])

        time.sleep(2)  # 礼貌爬虫，防止被封

    # 保存数据
    with open('douban_top250.csv', 'w', newline='', encoding='utf-8-sig') as f:
        writer = csv.writer(f)
        writer.writerow(['电影名称', '评分', '经典台词', '详情链接'])
        writer.writerows(movies)

    print("数据爬取完成！共获取{}部电影信息".format(len(movies)))

if __name__ == '__main__':
    scrape_douban_top250()

4.3 代码解析

1. User-Agent设置：模拟浏览器访问
2. 分页处理：通过start参数实现
3. 数据提取：使用BeautifulSoup定位元素
4. 延时设置：time.sleep防止请求过快
5. 数据存储：CSV格式方便后续分析

五、爬虫注意事项

1. 遵守robots协议：检查目标网站/robots.txt
2. 设置请求间隔：避免给服务器造成压力
3. 异常处理：网络请求要加try-catch
4. 合法合规：不要爬取敏感或个人隐私数据

六、进阶学习路线

1. Scrapy框架：专业的爬虫框架
2. 反爬应对：验证码、IP封禁等
3. 动态页面：Selenium/Playwright
4. 分布式爬虫：提高爬取效率

---

觉得有用的话，别忘了点赞关注唐叔哦！

往期精彩：

• 【Python爬虫必看】requests库常用操作详解 ，附实战案例
• 【Python爬虫必看】Python爬虫必学BeautifulSoup：5分钟上手，小白也能高效抓取豆瓣网页数据！
• 【Python爬虫必看】lxml库实战指南：5分钟教你玩转HTML/XML解析｜附豆瓣电影爬虫案例
• 【Python爬虫高级技巧】requests库高级用法 - 代理SSL流式一网打尽
• 【Python爬虫高级技巧】BeautifulSoup高级教程：数据抓取、性能调优、反爬策略，全方位提升爬虫技能！
• 【Python爬虫高级技巧】深入掌握lxml库：XPath解析/HTML处理/性能优化全攻略｜附企业级实战案例

更多内容可以关注《唐叔学Python》专栏。