操作系统:windows 10
Python版本 :3.6
爬取网页模块:requests
分析网页模块:json
pip3 install requests
我们使用豆瓣电影的页面来开始分析
https://movie.douban.com/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0
由于是动态加载的我们这里无法直接通过get方法获取网页内容
当我们点击加载更多时可以通过开发者工具 Network选项中的XHR 来获取动态加载的js
打开获取到的连接
https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=20
我们可以发现连接的规律,即page_limit和page_start
可以看到打开的内容为json格式
这里我们构造一个连接,让它从第一个电影开始,并显示100个
https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=100&page_start=0
对于JSON的解析我们可以先用一个在线的网站来查看
https://jsonformatter.curiousconcept.com/
这里可以看到包含了如下信息
这里逐行介绍代码
1. import相关的模块
import requests
import json
2. 使用request模块打开并获取网页内容
r = requests.get(url,verify=False)
content=r.content
3. 使用json.load将json格式转换为python的字典格式
这时就可以使用字典的相关方法来处理网页了
result=json.loads(content)
tvs=result['subjects']
4. 获取相关信息并存入字典中
我们可以选择将获取到的数据放入数据库中
源码请访问我的github主页:
https://github.com/bsbforever/spider/blob/master/dynamic_json.py