Python爬虫入门：爬取豆瓣电影TOP250
一个很简单的爬虫。
从这里学习的，解释的挺好的：https://xlzd.me/2015/12/16/python-crawler-03
分享写这个代码用到了的学习的链接：
其他的一些东西在代码里面有详细注释。
1 # encoding = utf-8 2 import codecs 3 import requests 4 from bs4 import BeautifulSoup 5 6 # 爬取豆瓣电影TOP250 7 8 DOWNLOADURL = 'https://movie.douban.com/top250' 9 10 def download_page(url): # 向服务器发送请求下载得到html 11 headers = {'User-Agent': 'Mozilla/4.0(compatibel; MSIE 5.5; Windows NT)'} # 伪装成浏览器 12 data = requests.get(url, headers=headers).content 13 return data # 返回得到的html代码 14 15 def parse_html(html): # 解析网页 16 soup = BeautifulSoup(html, 'lxml') # 创建一个BeautifulSoup对象 17 movie_list_soup = soup.find('ol', attrs={'class': 'grid_view'}) # 定位 18 19 name_list = [] 20 for movie_li in movie_list_soup.find_all('li'): # 找到电影名字 21 detail = movie_li.find('div', attrs={'class', 'hd'}) 22 movie_name = detail.find('span', attrs={'class', 'title'}).getText() 23 name_list.append(movie_name) # 放到一个list里面 24 25 have_next = soup.find('span', attrs={'class': 'next'}).find('a') # 找下一页的链接 26 if have_next: # 如果有下一页的链接不为空 27 return name_list, DOWNLOADURL + have_next['href'] # 返回名字列表还有下一页的URL 28 else: 29 return name_list, None # 找不到返回None 30 31 def main(): 32 url = DOWNLOADURL 33 # with xxx.open as f 打开xxx之后finally关闭xxx 34 # codecs方便处理中文编码 35 with codecs.open('douban_movies', 'wb', encoding='utf-8') as fp: 36 while url: 37 html = download_page(url) 38 name_list, url = parse_html(html) 39 #'\n'.join(name_list) : 以'\n'为分隔符将name_list所有元素合并成一个新的字符串 40 #'{movies}'.format(movies='xxxxx') : 即movies = 'xxxxx',将xxxxx按照格式输出 41 fp.write(u'{movies}\n'.format(movies='\n'.join(name_list))) 42 43 if __name__ == '__main__': 44 main()
