Python爬虫--爬取豆瓣 TOP250 电影排行榜

Flaneur

发布于 2020-03-25 11:22:05

2.9K0

发布于 2020-03-25 11:22:05

文章被收录于专栏：Flaneur的文章分享Flaneur的文章分享

前言

本篇讲介绍一个简单的Python爬虫案例–爬取豆瓣 TOP250 电影排行榜。很多朋友在看一部电影前都喜欢先找一下网友们对该片的评价。

说到电影评分的网站，除了国外的 IMDB 和烂番茄，国内要数豆瓣最为出名。

主要原因是豆瓣有一套完整的评分和防水军机制。

在这套机制下，豆瓣评分高的电影不一定是所有人都喜欢的，但是豆瓣评分低的电影，一定是实打实的烂片！

虽然每个人的喜好偏爱不同，但通常豆瓣评分 8 分以上的电影，都是值得一看的。

豆瓣还专门提供了一个 TOP250 的电影链接 -> https://movie.douban.com/top250

爬取思路

爬取的过程很好理解，这里只需要两个过程： ① 从服务器上下载所需页面 ② 解析这个页面，得到自己需要有用的内容

①抓取页面

有的人可能会利用 urllib 模块实现网络抓取功能。但在 Python 中，有一个更好地替代者——Requests。Requests 简化了 urllib 的诸多冗杂且无意义的操作，并提供了更强大的功能。所以在这里我们使用 Requests 模块的 get() 方法从服务器上来下载这个页面。

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/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0"
    }

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

res就是我们需要的这个页面的资源，我们不妨打开来看看是不是

with open("豆瓣电影.txt",'w',encoding='utf-8') as f:
    f.write(res.text)

打开文本如下图

我们可以看出这确实是当前网页的资源，所以我们就抓取成功了。

②解析页面

解析网页内容推荐使用 BeautifulSoup 模块，它可以化腐朽为神奇，将一个复杂的网页结构转化为书籍目录的形式供你浏览。例如，我们现在需要解析提取出当前页面的电影名字

import bs4
soup = bs4.BeautifulSoup(res.text,"html.parser")
targets = soup.find_all("div",class_="hd")
for each in targets:
    print(each.a.span.text)

可以得到如下结果

肖申克的救赎霸王别姬阿甘正传这个杀手不太冷美丽人生泰坦尼克号千与千寻辛德勒的名单盗梦空间忠犬八公的故事海上钢琴师机器人总动员三傻大闹宝莱坞楚门的世界放牛班的春天星际穿越大话西游之大圣娶亲熔炉疯狂动物城无间道龙猫教父当幸福来敲门怦然心动触不可及

这里你可能就会有疑问，这些数据是怎么得来的呢？我们先来看下 HTML 源代码：

发现每个电影的标题都是位于 <div class="hd">...</div> 标签中的，它的从属关系是：div -> a -> span。

所以我们先调用 find_all() 方法，找到所有 class=”hd” 的 div 标签，然后按照从属关系即可直接取出电影名。同理，我们借用此发方法来解析提取出电影的评分、介绍等需要的信息。

附加问题

我们刚才解析提取的仅仅是第一页的页面，那么还有第二、第三、第四页……呢？

其实，解决起来也很简单，我们可以使用for循环来对每一页进行上述的两个过程。

但，我们此时又有新的问题，我们不可能每抓取一次，就重新输入下一网页的链接地址，这样很麻烦，效率也不高。

我们可以分析每一页的链接：

第一页：https://movie.douban.com/top250 第二页：https://movie.douban.com/top250?start=25 第三页：https://movie.douban.com/top250?start=50 第四页：https://movie.douban.com/top250?start=75 第五页：https://movie.douban.com/top250?start=100 … … …. …

我们可以发现这样的规律：每一次的更新的 url = https://movie.douban.com/top250 + '/?start=' + str(25*i)其中i可以表示为页数-1

咦，这个时候，你可能会有疑问，我们怎么知道一共有多少页呢，不能一直for循环无穷吧。

那当然不可能的了，我们可以按第二步解析网页方式来获取页数

depth = soup.find('span',class_='next').previous_sibling.previous_sibling.text

注意，这个返回的depth是给字符串形式，需要int()

这样结合刚才的过程，就可以迭代每一页了

代码清单

感兴趣的话，可以试一试哦

import requests
import bs4

#抓取网页
def open_url(url):
    headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0"}
    res = requests.get(url,headers=headers)
    
    return res

#得到总页数
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')
    depth = soup.find('span',class_='next').previous_sibling.previous_sibling.text

    return int(depth)

#解析网页，提取内容
def find_movies(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    names = []
    target = soup.find_all('div',class_='hd')
    for i in target:
        names.append(i.a.span.text)

    ranks = []
    target = soup.find_all('span',class_='rating_num')
    for i in target:
        ranks.append(i.text)

    messages = []
    target = soup.find_all('div',class_='bd')
    for i in target:
        try:
            messages.append(i.p.text.split('\n')[1].strip() + i.p.text.split('\n')[2].strip())
        except:
            continue

    result = []
    length = len(names)
    for i in range(length):
        result.append(names[i] + ',' +ranks[i] + ',' + messages[i] + '\n')

    return result

def main():
    host = "https://movie.douban.com/top250"
    res = open_url(host)
    depth = find_depth(res)

    result = []
    for i in range(depth):
        url = host + '/?start=' + str(25*i)
        res = open_url(url)
        result.extend(find_movies(res))

    with open("豆瓣TOP250电影.txt",'w',encoding='utf-8') as f:
        for each in result:
            f.write(each)

if __name__=="__main__":
    main()