赞
踩
爬取豆瓣top250其实是初学者用于练习和熟悉爬虫技能知识的简单实战项目,通过这个项目,可以让小白对爬虫有一个初步认识,因此,如果你已经接触过爬虫有些时间了,可以跳过该项目,选择更有挑战性的实战项目来提升技能。当然,如果你是小白,这个项目就再适合不过了。那么就让我们开始吧!
目录
这里我用的是谷歌浏览器,对豆瓣电影top250网站进行检查,可以在网络部分看到该页数据的请求头信息。
需要注意的是,我们要爬取的页面数据文件是top250这个文件,判断需要从哪个包中提取数据可以在响应里看到:
我们一开始可以试着给豆瓣发请求:
- import requests
-
- # 发请求测试
- response = requests.get('https://movie.douban.com/top250')
- print(response)
得到响应结果如下:
状态码是418,意思是服务器拒绝了我们的请求。这是因为服务器没有识别到我们是用户端,所以为了保证网站数据的安全,将我们拒之门外。那么我们就需要对自己进行一些简单的伪装。
UA(user-agent)伪装,是我本次采用的伪装策略,也是最简单的伪装策略,有些网站的反爬机制比较复杂,则需要采用更加复杂的反反爬机制来进行伪装,不过,对于豆瓣来说,UA伪装就够用了。
那么我们现在给我们的请求带一个请求头,并且请求头中带一个User-agent信息,这个信息可以在检查页面的请求头信息(Headers)里找到,如下所示:
现在我们将它加入到我们的代码中:
- import requests
-
- # 发请求测试网站反爬机制
- headers = {
- 'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/1'
-
- }
- response = requests.get('https://movie.douban.com/top250',headers=headers)
- print(response)
响应结果:
状态码为200,说明响应成功,这个时候我们已经爬到我们想要的数据了,打印出来看下:
print(response.text)
可以看到,我们已经得到了整个页面的html代码,那么下一步我们就需要从中提取我们需要的信息。
这里我使用的方法是python正则式,所以我们需要先分析html代码的结构,这里需要一点前端知识,但是因为爬虫的前导知识是前端开发,因此默认大家都是能看懂的。
通过观察,我们可以发现电影标题包含在<span class="title"></span>这个类里,所以我们可以使用正则式将它匹配出来:
<span class="title">(.*?)</span>
python代码:
- import re
-
- title = re.findall('<span class="title">(.*?)</span>', response.text,re.S)
提取完之后我们需要对不干净的数据进行筛选,这一步可以省略,详见于完整代码。
其他信息也按照这个逻辑提取出来,这里我提取了题目、国籍、上映时间这三个数据,大家可以根据自己的需要去提取。
这里我提供两种方法,一种是用bs4对html代码进行解析(爬虫中用的比较多),另一种是python正则式。大家可以根据需要进行采用。
- import requests
- from bs4 import BeautifulSoup
- import csv
-
- '''爬取豆瓣电影top20'''
- def top250_crawer(url,sum):
- headers = {
- 'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/1'
-
- }
-
- response = requests.get(url,headers = headers)
- soup = BeautifulSoup(response.text, 'html.parser')
- # print(soup)
- movie_items = soup.find_all('div', class_='item')
- i = sum+1
- for item in movie_items:
- title = item.select_one('.title').text
- # print(title)
- rating = item.select_one('.rating_num').text
- data = item.select('.bd p')[0].text.split('\n')
- time = data[2].replace(' ','').split('/')[0]
- country = data[2].replace(' ','').split('/')[1]
- print(str(i)+'.'+title+','+country+','+time)
-
- i +=1
-
- url = 'https://movie.douban.com/top250'
- sum =0
- '遍历10页数据,250条结果'
- for a in range(10):
- if sum == 0 :
- top250_crawer(url,sum)
- sum +=25
- else:
- page = '?start='+str(sum)+'&filter='
- new_url = url+page
- top250_crawer(new_url,sum)
- sum +=25
- import requests
- import re
-
- '''爬取豆瓣电影top20'''
- def top250_crawer(url, sum):
- headers = {
- 'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/1'
-
- }
- response = requests.get(url, headers=headers)
- print(response.text)
- title = re.findall('<span class="title">(.*?)</span>', response.text,re.S)
- new_title = []
- for t in title:
- if ' / ' not in t:
- new_title.append(t)
- data = re.findall('<br>(.*?)</p>', response.text, re.S)
- time = []
- country = []
- for str1 in data:
- str1 = str1.replace(' ', '')
- str1 = str1.replace('\n', '')
- time_data = str1.split(' / ')[0]
- country_data = str1.split(' / ')[1]
- time.append(time_data)
- country.append(country_data)
- print(len(new_title))
- print(len(time))
- print(len(country))
- for j in range(len(country)):
- sum += 1
- print(str(sum)+'.' + new_title[j] + ',' + country[j] + ',' + time[j])
-
-
- url = 'https://movie.douban.com/top250'
- sum = 0
- '遍历10页数据,250条结果'
- for a in range(10):
- if sum == 0:
- top250_crawer(url, sum)
- sum += 25
- else:
- page = '?start=' + str(sum) + '&filter='
- new_url = url + page
- top250_crawer(new_url, sum)
- sum += 25
运行结果:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。