一起学爬虫——通过爬取豆瓣电影top250学习requests库的使用
学习一门技术最快的方式是做项目，在做项目的过程中对相关的技术查漏补缺。
本文通过爬取豆瓣top250电影学习python requests的使用。
1、准备工作
在pycharm中安装request库
请看上图，在pycharm中依次点击：File->Settings。然后会弹出下图的界面：
点击2中左上角的“+”按钮，弹出下图的界面：
在右上角的查询框输入requests，然后点击“Install Package”按钮安装requests插件。
2、目标
抓取每部电影的名字、主演、评分、图片等信息， 并保存在txt文本文件中。
3、分析豆瓣top250电影首页
1、分析豆瓣电影top250的网页https://movie.douban.com/top250，在浏览器中打开该网页：
可以看到一页显示25部电影。250部电影分10显示：
要抓取250部电影需要抓取10次。下面是每一页的网页链接：
https://movie.douban.com/top250?start=0&filter= 首页，等效于https://movie.douban.com/top250
https://movie.douban.com/top250?start=25&filter= #第2页
https://movie.douban.com/top250?start=50&filter= #第3页
...
...
...
https://movie.douban.com/top250?start=225&filter= #第10页
通过分析上面的链接可以得出一个规律：start=0显示1到25部电影，start=25显示26到50部电影，以此类推，在抓取每一页的电影时，是需要改变start的值即可。
4、抓取豆瓣电影top250首页
代码如下：
import requests
import re
import json
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
url = 'https://movie.douban.com/top250?start=0&filter='
proxies = {
"http": "http://123.207.96.189:80"
}
response = requests.get(url, proxies = proxies,headers=headers)
text = response.text
print(text)
通过上述的代码我们可以学习到requests类库中如何使用headers信息和设置代理。
headers头信息和proxies代理信息都是定义为dict词典变量，然后在调用requests.get()方法时传输这个两个参数：
response = requests.get(url, proxies = proxies,headers=headers)
很多网站都有反爬虫的措施，对于没有headers头信息的请求一律认为是爬虫，禁止该请求的访问。因此在每次爬取网页时都需要加上headers头信息。
对于访问过于频繁的请求，客户端的IP会被禁止访问，因此设置代理可以将请求伪装成来自不同的IP，前提是要保证代理的IP地址是有效的。
5、抓取每一部电影的信息
查看网页源代码有两种方式：
通过鼠标右键点击查看“查看源文件”选项，或者通过浏览器的开发者工具选项，然后点击Network查看源码：
下图是一部电影在HTML网页中的显示，我们要做的就是从HTML中提取出电影名称、主演、图片等信息。
提取电影的信息需要用到正则表达式。
通过上图可以看到一部电影的信息对应的源代码是<div class="item">节点，红色框所示。我们先用正则表达式提取到每部电影的所有信息：
regix = '<div class="item">'
class为pic的div节点包含电影的排名和电影图片信息，提取电影排名和电影图片信息的正则表:
regix = '<div class="item">.*?<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">'
class为info的div标签中包含了电影的名字、导演和演员等信息，电影名字是在class为hd的div的节点内，<span class="title">节点内包含的是电影的名字，<span class="other">节点内包含的是电影的别名，上图中的褐色框部分，因此提取电影名字的正则表达式为：
regix = '<div class="item">.*?<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">.*?div
class="info.*?class="hd".*?class="title">(.*?)</span>.*?class="other">(.*?)</span>'
class为bd的节点内包含的是电影的导演和主演信息，其中class为“”的p节点内包含的是电影的导演和演员信息，其中还包含了<br>标签，上图中的紫色框部分，为了提取电影导演和演员的信息，正则表达式改写为：
regix = '<div class="item">.*?<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">.*?div
class="info.*?class="hd".*?class="title">(.*?)</span>.*?class="other">(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)<br>(.*?)</p>'
class为start的div标签中包含的是电影的星级和评分，上图黑色框部分。提取星级和评分的规则和提取电影排名、图片等信息类似，最后提取整个电影信息的正则表达式为：
regix = '<div class="item">.*?<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">.*?div class="info.*?class="hd".*?class="title">(.*?)</span>.*?class="other">(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)<br>(.*?)</p>.*?class="star.*?<span class="(.*?)"></span>.*?span class="rating_num".*?average">(.*?)</span>'
提取一页中所有电影信息的代码如下：
import requests
import re
import json
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
url = 'https://movie.douban.com/top250?start=0&filter='
proxies = {
"http": "http://123.207.96.189:80"
}
response = requests.get(url, proxies = proxies,headers=headers)
text = response.text
regix = '<div class="item">.*?<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">.*?div class="info.*?class="hd".*?class="title">(.*?)</span>.*?class="other">(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)<br>(.*?)</p>.*?class="star.*?<span class="(.*?)"></span>.*?span class="rating_num".*?average">(.*?)</span>'
results = re.findall(regix,text,re.S)
for item in results:
print(item)
结果为：
('1', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg', '肖申克的救赎', ' / 月黑高飞(港) / 刺激1995(台)', '\n 导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...', '\n 1994 / 美国 / 犯罪 剧情\n ', 'rating5-t', '9.6')
('2', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1910813120.jpg', '霸王别姬', ' / 再见，我的妾 / Farewell My Concubine', '\n 导演: 陈凯歌 Kaige Chen 主演: 张国荣 Leslie Cheung / 张丰毅 Fengyi Zha...', '\n 1993 / 中国大陆 香港 / 剧情 爱情 同性\n ', 'rating5-t', '9.6')
('3', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p511118051.jpg', '这个杀手不太冷', ' / 杀手莱昂 / 终极追杀令(台)', '\n 导演: 吕克·贝松 Luc Besson 主演: 让·雷诺 Jean Reno / 娜塔莉·波特曼 ...', '\n 1994 / 法国 / 剧情 动作 犯罪\n ', 'rating45-t', '9.4')
('4', 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p510876377.jpg', '阿甘正传', ' / 福雷斯特·冈普', '\n 导演: Robert Zemeckis 主演: Tom Hanks / Robin Wright Penn / Gary Sinise', '\n 1994 / 美国 / 剧情 爱情\n ', 'rating45-t', '9.4')
('5', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p510861873.jpg', '美丽人生', ' / 一个快乐的传说(港) / Life Is Beautiful', '\n 导演: 罗伯托·贝尼尼 Roberto Benigni 主演: 罗伯托·贝尼尼 Roberto Beni...', '\n 1997 / 意大利 / 剧情 喜剧 爱情 战争\n ', 'rating5-t', '9.5')
('6', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p457760035.jpg', '泰坦尼克号', ' / 铁达尼号(港 / 台)', '\n 导演: 詹姆斯·卡梅隆 James Cameron 主演: 莱昂纳多·迪卡普里奥 Leonardo...', '\n 1997 / 美国 / 剧情 爱情 灾难\n ', 'rating45-t', '9.3')
('7', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1606727862.jpg', '千与千寻', ' / 神隐少女(台) / Spirited Away', '\n 导演: 宫崎骏 Hayao Miyazaki 主演: 柊瑠美 Rumi Hîragi / 入野自由 Miy...', '\n 2001 / 日本 / 剧情 动画 奇幻\n ', 'rating45-t', '9.3')
('8', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p492406163.jpg', '辛德勒的名单', ' / 舒特拉的名单(港) / 辛德勒名单', '\n 导演: 史蒂文·斯皮尔伯格 Steven Spielberg 主演: 连姆·尼森 Liam Neeson...', '\n 1993 / 美国 / 剧情 历史 战争\n ', 'rating5-t', '9.5')
('9', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p513344864.jpg', '盗梦空间', ' / 潜行凶间(港) / 全面启动(台)', '\n 导演: 克里斯托弗·诺兰 Christopher Nolan 主演: 莱昂纳多·迪卡普里奥 Le...', '\n 2010 / 美国 英国 / 剧情 科幻 悬疑 冒险\n ', 'rating45-t', '9.3')
('10', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1461851991.jpg', '机器人总动员', ' / 瓦力(台) / 太空奇兵·威E(港)', '\n 导演: 安德鲁·斯坦顿 Andrew Stanton 主演: 本·贝尔特 Ben Burtt / 艾丽...', '\n 2008 / 美国 / 爱情 科幻 动画 冒险\n ', 'rating45-t', '9.3')
('11', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p524964016.jpg', '忠犬八公的故事', ' / 忠犬小八(台) / 秋田犬八千(港)', '\n 导演: 莱塞·霍尔斯道姆 Lasse Hallström 主演: 理查·基尔 Richard Ger...', '\n 2009 / 美国 英国 / 剧情\n ', 'rating45-t', '9.3')
('12', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p579729551.jpg', '三傻大闹宝莱坞', ' / 三个傻瓜(台) / 作死不离3兄弟(港)', '\n 导演: 拉库马·希拉尼 Rajkumar Hirani 主演: 阿米尔·汗 Aamir Khan / 卡...', '\n 2009 / 印度 / 剧情 喜剧 爱情 歌舞\n ', 'rating45-t', '9.2')
('13', 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p511146807.jpg', '海上钢琴师', ' / 声光伴我飞(港) / 一九零零的传奇', '\n 导演: 朱塞佩·托纳多雷 Giuseppe Tornatore 主演: 蒂姆·罗斯 Tim Roth / ...', '\n 1998 / 意大利 / 剧情 音乐\n ', 'rating45-t', '9.2')
('14', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1910824951.jpg', '放牛班的春天', ' / 歌声伴我心(港) / 唱诗班男孩', '\n 导演: 克里斯托夫·巴拉蒂 Christophe Barratier 主演: 杰拉尔·朱诺 Géra...', '\n 2004 / 法国 瑞士 德国 / 剧情 音乐\n ', 'rating45-t', '9.2')
('15', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2455050536.jpg', '大话西游之大圣娶亲', ' / 西游记完结篇仙履奇缘 / 齐天大圣西游记', '\n 导演: 刘镇伟 Jeffrey Lau 主演: 周星驰 Stephen Chow / 吴孟达 Man Tat Ng...', '\n 1995 / 香港 中国大陆 / 喜剧 爱情 奇幻 冒险\n ', 'rating45-t', '9.2')
('16', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p479682972.jpg', '楚门的世界', ' / 真人Show(港) / 真人戏', '\n 导演: 彼得·威尔 Peter Weir 主演: 金·凯瑞 Jim Carrey / 劳拉·琳妮 Lau...', '\n 1998 / 美国 / 剧情 科幻\n ', 'rating45-t', '9.2')
('17', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2190556185.jpg', '教父', ' / Mario Puzo's The Godfather', '\n 导演: 弗朗西斯·福特·科波拉 Francis Ford Coppola 主演: 马龙·白兰度 M...', '\n 1972 / 美国 / 剧情 犯罪\n ', 'rating45-t', '9.2')
('18', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2539252713.jpg', '龙猫', ' / 邻居托托罗 / 邻家的豆豆龙', '\n 导演: 宫崎骏 Hayao Miyazaki 主演: 日高法子 Noriko Hidaka / 坂本千夏 Ch...', '\n 1988 / 日本 / 动画 奇幻 冒险\n ', 'rating45-t', '9.1')
('19', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2206088801.jpg', '星际穿越', ' / 星际启示录(港) / 星际效应(台)', '\n 导演: 克里斯托弗·诺兰 Christopher Nolan 主演: 马修·麦康纳 Matthew Mc...', '\n 2014 / 美国 英国 加拿大 冰岛 / 剧情 科幻 冒险\n ', 'rating45-t', '9.2')
('20', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1363250216.jpg', '熔炉', ' / 无声呐喊(港) / 漩涡', '\n 导演: 黄东赫 Dong-hyuk Hwang 主演: 孔侑 Yoo Gong / 郑有美 Yu-mi Jeong ...', '\n 2011 / 韩国 / 剧情\n ', 'rating45-t', '9.2')
('21', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2233971046.jpg', '无间道', ' / Infernal Affairs / Mou gaan dou', '\n 导演: 刘伟强 / 麦兆辉 主演: 刘德华 / 梁朝伟 / 黄秋生', '\n 2002 / 香港 / 剧情 犯罪 悬疑\n ', 'rating45-t', '9.1')
('22', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1312700744.jpg', '当幸福来敲门', ' / 寻找快乐的故事(港) / 追求快乐', '\n 导演: 加布里尔·穆奇诺 Gabriele Muccino 主演: 威尔·史密斯 Will Smith ...', '\n 2006 / 美国 / 剧情 传记 家庭\n ', 'rating45-t', '9.0')
('23', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1454261925.jpg', '触不可及', ' / 闪亮人生(港) / 逆转人生(台)', '\n 导演: 奥利维·那卡什 Olivier Nakache / 艾力克·托兰达 Eric Toledano 主...', '\n 2011 / 法国 / 剧情 喜剧\n ', 'rating45-t', '9.2')
('24', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p663036666.jpg', '怦然心动', ' / 萌动青春 / 青春萌动', '\n 导演: 罗伯·莱纳 Rob Reiner 主演: 玛德琳·卡罗尔 Madeline Carroll / 卡...', '\n 2010 / 美国 / 剧情 喜剧 爱情\n ', 'rating45-t', '9.0')
('25', 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1963126880.jpg', '乱世佳人', ' / 飘', '\n 导演: 维克多·弗莱明 Victor Fleming / 乔治·库克 George Cukor 主演: 费...', '\n 1939 / 美国 / 剧情 历史 爱情 战争\n ', 'rating45-t', '9.2')
从上面的结果看到电影的星级是rating5-t、rating45-t、rating4-t这样的字符代表五星、四星半、四星等。转换代码为：
def star_transfor(str):
if str == 'rating5-t':
return '五星'
elif str == 'rating45-t' :
return '四星半'
elif str == 'rating4-t':
return '四星'
elif str == 'rating35-t' :
return '三星半'
elif str == 'rating3-t':
return '三星'
elif str == 'rating25-t':
return '两星半'
elif str == 'rating2-t':
return '两星'
elif str == 'rating15-t':
return '一星半'
elif str == 'rating1-t':
return '一星'
else:
return '无星'
在爬取网页时，会将图片也爬取下来，下面的代码是将每部电影的图片保存到本地：
def down_image(url,headers):
r = requests.get(url,headers = headers)
filename = re.search('/public/(.*?)$',url,re.S).group(1)
with open(filename,'wb') as f:
f.write(r.content)
爬取到网页的信息后，一般会将爬取的信息保存到数据库或文本文件中，下面的代码是将爬取到的电影信息保存到文本文件中：
def write_movies_file(str):
with open('douban_film.txt','a',encoding='utf-8') as f:
f.write(json.dumps(str,ensure_ascii=False) + '\n')
写入文本文件用到了json库的dumps方法，该方法实现了字典的序列化，并且要指定ensure_ascii参数为False，保证中文不乱码。
write_movies_file方法传入的是一个字典的参数，因此在爬取到一部电影的信息时，需要将电影信息格式化为一个字典，代码为：
results = re.findall(regix, text, re.S)
for item in results:
yield {
'电影名称' : item[2] + ' ' + re.sub(' ','',item[3]),
'导演和演员' : re.sub(' ','',item[4].strip()),
'评分': star_transfor(item[6].strip()) + '/' + item[7] + '分',
'排名' : item[0]
}
到目前为止，我们已经实现了爬取一页电影的信息，一页包含有25部电影，250部电影有10页，之前已经提到过，改变start的值即可抓取不同页的电影，下面的代码是构造10页电影url的代码：
for offset in range(0, 250, 25):
url = 'https://movie.douban.com/top250?start=' + str(offset) +'&filter='
爬取豆瓣电影top250的完整代码如下：
import requests
import re
import json
def parse_html(url):
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
response = requests.get(url, headers=headers)
text = response.text
regix = '<div class="pic">.*?<em class="">(.*?)</em>.*?<img.*?src="(.*?)" class="">.*?div class="info.*?class="hd".*?class="title">(.*?)</span>.*?class="other">' \
'(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)<br>(.*?)</p>.*?class="star.*?<span class="(.*?)"></span>.*?' \
'span class="rating_num".*?average">(.*?)</span>'
results = re.findall(regix, text, re.S)
for item in results:
down_image(item[1],headers = headers)
yield {
'电影名称' : item[2] + ' ' + re.sub(' ','',item[3]),
'导演和演员' : re.sub(' ','',item[4].strip()),
'评分': star_transfor(item[6].strip()) + '/' + item[7] + '分',
'排名' : item[0]
}
def main():
for offset in range(0, 250, 25):
url = 'https://movie.douban.com/top250?start=' + str(offset) +'&filter='
for item in parse_html(url):
print(item)
write_movies_file(item)
def write_movies_file(str):
with open('douban_film.txt','a',encoding='utf-8') as f:
f.write(json.dumps(str,ensure_ascii=False) + '\n')
def down_image(url,headers):
r = requests.get(url,headers = headers)
filename = re.search('/public/(.*?)$',url,re.S).group(1)
with open(filename,'wb') as f:
f.write(r.content)
def star_transfor(str):
if str == 'rating5-t':
return '五星'
elif str == 'rating45-t' :
return '四星半'
elif str == 'rating4-t':
return '四星'
elif str == 'rating35-t' :
return '三星半'
elif str == 'rating3-t':
return '三星'
elif str == 'rating25-t':
return '两星半'
elif str == 'rating2-t':
return '两星'
elif str == 'rating15-t':
return '一星半'
elif str == 'rating1-t':
return '一星'
else:
return '无星'
if __name__ == '__main__':
main()
总结
使用requests爬取一个网页的基本步骤：
- 设置头信息。
- 设置代理
- 使用get方法爬取网页
- 使用正则表达式提取相应的信息
- 下载图片
- 将爬取到的数据保存到文本文件或数据库中。
通过本文可以学习到如何使用requests库爬取网页，使用正则表达式提取网页的信息，下载图片，保存信息到文本文件中。
用心写好每篇技术文章
作者：alunbar
出处：www.bigdata17.com
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
作者：alunbar
出处：www.bigdata17.com
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
关注本人的公众号获取更多关于Java、pyhon爬虫大数据和AI方面的知识
