python爬取豆瓣电影top250
目录
1、分析网页
当我们去爬取网页时，首先要做的就是先分析网页结构，然后就会发现相应的规律，如下所示：
生成链接：从网页链接的规律中可得写一个for循环即可生成它的链接，其中它的间隔为25，程序如下：
for page in range (0,226,25):
url ="https://movie.douban.com/top250?start=%s&filter="%page
print (url)
得到的结果如下：
2、请求服务器
在爬取网页之前，我们要向服务器发出请求
2.1导入包
没有安装requests包的要先进行安装，步骤为：1.win+R运行——2.cmd回车——3.输入命令pip install requests
2.2设置浏览器代理
设置浏览器代理的代码如下：
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}
2.3请求服务器格式
请求源代码，向服务器发出请求，如果在后面加上.text表示输出文本内容，代码如下图所示：
requests.get(url = test_url, headers = headers)
2.4请求服务器代码汇总
import requests
#pip安转 pip install requests————>win+r,运行————>cmd,回车，————>pip
test_url = 'https://movie.douban.com/top250?start=0&filter=' #''格式化，为字符串
#设置浏览器代理,它是一个字典
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}
#请求源代码，向服务器发出请求,200代表成功
reponse = requests.get(url = test_url, headers = headers).text
# 快捷键运行，Ctrl+Enter
3.xpath提取信息
3.1获取xpath节点的方法
3.2xpath提取内容
from lxml import etree #导入解析库
html_etree = etree.HTML(reponse) # 看成一个筛子，树状
3.2.1提取文本
当我们在提取标签内的文本时，要在复制的xpath后面加上/text（）
如《霸王别姬》：
<span class="title">霸王别姬</span>
xpath为：
//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]
提取文字：
name = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')
print ("这是数组形式：",name)
print ("这是字符串形式：",name[0])
3.2.2提取链接
我们在提取链接时，需要在复制到的xpath后面加上/@href , 指定提取链接，
movie_url = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/@href')
print ("这是数组形式：",movie_url)
print ("这是字符串形式：",movie_url[0])
结果如下：
3.2.3提取标签元素
提取标签元素和提取链接的方法一样，不过要在后面加上 /@class 就可以了，
rating = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[1]/@class')
print ("这是数组形式：",rating)
print ("这是字符串形式：",rating[0])
结果如下：
4.正则表达式
4.1提取固定位置的信息
正则表达式中用（.*?）来提取我们想要的信息，在使用正则表达式时，通常要先导入re这个包，举例如下：
import re
test = "我是js"
text = re.findall("我是.*?",test)
print (text)
结果如下：
4.2匹配出数字
比如说我们要匹配出有多少人评价这部电影，我们可以这样写：
import re
data = "1059232人评价"
num = re.sub(r'\D', "", data)
print("这里的数字是:", num)
结果如下：
5、提取一页中的所有信息
比如说我们这里提取最后一页的电影名称，如下：
li = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li')
for item in li:
name = item.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
print (name)
结果如下：
按照这种方法，我们可以把所有的都爬取下来。
6、把内容写入文本csv
代码如下：
import csv
# 创建文件夹并打开
fp = open("./豆瓣top250.csv", 'a', newline='', encoding = 'utf-8-sig')
writer = csv.writer(fp) #我要写入
# 写入内容
writer.writerow(('排名', '名称', '链接', '星级', '评分', '评价人数'))
#关闭文件
fp.close()
7、把所有代码汇总
import requests, csv, re
from lxml import etree
#设置浏览器代理,它是一个字典
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}
# 创建文件夹并打开
fp = open("./豆瓣top250.csv", 'a', newline='', encoding = 'utf-8-sig')
writer = csv.writer(fp) #我要写入
# 写入内容
writer.writerow(('排名', '名称', '链接', '星级', '评分', '评价人数'))
for page in range(0, 226, 25): #226
print ("正在获取第%s页"%page)
url = 'https://movie.douban.com/top250?start=%s&filter='%page
#请求源代码，向服务器发出请求,200代表成功，回退对其，Ctrl+]
reponse = requests.get(url = url, headers = headers).text
# 快捷键运行，Ctrl+Enter
html_etree = etree.HTML(reponse) # 看成一个筛子，树状
# 过滤
li = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li')
for item in li:
#排名
rank = item.xpath('./div/div[1]/em/text()')[0]
#电影名称
name = item.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
#链接
dy_url = item.xpath('./div/div[2]/div[1]/a/@href')[0]
#评分
rating = item.xpath('./div/div[2]/div[2]/div/span[1]/@class')[0]
rating = re.findall('rating(.*?)-t', rating)[0]
if len(rating) == 2:
star = int(rating) / 10 #int()转化为数字
else:
star = rating
# 注释ctrl+?
rating_num = item.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
content = item.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0]
content = re.sub(r'\D', "", content)
# print (rank, name, dy_url, star, rating_num, content)
# 写入内容
writer.writerow((rank, name, dy_url, star, rating_num, content))
fp.close()
结果如下：
csv文件中的结果：
最后爬取结束。
