python获取豆瓣电影TOP250的所有电影的相关信息

参考文档：https://weread.qq.com/web/reader/37132a705e2b2f37196c138k98f3284021498f137082c2e

说明：我才接触网络爬虫，在看《python网络爬虫入门到实践》一书时，作者写了个实例获取豆瓣电影TOP250的所有电影的电影名称，我在此基础上进行了更进一步的改进，获取了所有的相关信息，并用表格将这些信息保存下来。

相关知识：

网络爬虫分为三个步骤： 第一步：伪装为浏览器访问；第二步：解析网页代码；第三步：存储数据。

（1）第一步使用requests模块实现

我们需要使用到request模块的get()方法，该方法模仿为浏览器访问，返回的是网页代码内容。

参考文档：http://cn.python-requests.org/zh_CN/latest/user/quickstart.html#url

（2）第二步使用BeautifulSoup模块实现

我们需要用到BeautifulSoup的find_all()方法。使用find_all()方法可通过标签的不同属性过滤html页面。定义如下：

find_all(self, name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)

name：可以传入一个标签或多个标签名称组成的python列表。例如：findAll([‘h1’, ‘h2’])

attrs：用一个python字典封装的一个标签的若干属性和对应的属性值。例如：findAll(‘span’, {‘class’: {‘green’, ‘red’}})

recursive：布尔变量，若为True，findAll会根据要求去查找标签参数的所有子标签，以及子标签的子标签。若为False，findAll只查找文档的一级标签。

text：用标签的文本内容去匹配，而不是标签的属性。

limit：如果只对网页中获取的前x项感兴趣，可设置它。

kwargs：选择那些具有指定属性的标签。

参考链接：https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html

（3）第三步我们将数据存放在表格中。

我们使用xlwt模块进行表格的写入操作，将获取到的信息保存到表格中。

代码如下：

# encoding:utf-8

'''
目的：获取豆瓣电影TOP250的所有电影的相关信息，网页地址为：https://movie.douban.com/。
环境：python 3.7.3
所需的库：requests、BeautifulSoup、xlwt
'''

import logging
import xlwt
import requests
import string
from bs4 import BeautifulSoup

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36',\
    'Host': 'movie.douban.com'
}

# 将获取的信息保存到表格中
def save_movie(content):
    workbook = xlwt.Workbook(encoding = 'ascii')
    worksheet = workbook.add_sheet('Movies info')
    style = xlwt.XFStyle() # 初始化样式
    font = xlwt.Font() # 为样式创建字体
    font.name = 'Times New Roman' 
    font.bold = True # 黑体
    font.underline = True # 下划线
    font.italic = True # 斜体字
    style.font = font # 设定样式
    worksheet.write(0, 0, 'title')
    worksheet.write(0, 1, 'actor')
    worksheet.write(0, 2, 'score')
    worksheet.write(0, 3, 'quote')
    for i, item in enumerate(content):
        for j in range(4):    
            worksheet.write(i+1, j, content[i][j])
    workbook.save('./movie_info.xls') # 保存文件


# 获取与move相关的信息
# 主要包括：title、actor、score、quote
def get_moves():
    movies_info = []
    movies_titles = []
    movies_actors = []
    movies_scores = []
    movies_quotes = []
    
    for i in range(10):
        link = 'https://movie.douban.com/top250?start=%d&filter=' % i*25
        r = requests.get(link, headers=headers, timeout=10)
        print (str(i+1), '页响应状态码：', r.status_code)
        soup = BeautifulSoup(r.text, 'lxml')
        soup = BeautifulSoup(r.text, 'lxml')
        div_hd_list = soup.findAll('div', {'class': 'hd'})
        div_bd_list = soup.findAll('div', {'class': 'bd'})
        score_list = soup.findAll('span', {'class': 'rating_num'})
        quote_list = soup.findAll('p', {'class': 'quote'})
        for item in div_hd_list:
            title = item.a.span.text.strip()
            movies_titles.append(title)
        for i, item in enumerate(div_bd_list):
            if (i == 0): continue
            content = item.p.text.strip().replace(u'\xa0', u'')
            actor = content[: content.find(u'主演')]
            actor = actor[:actor.find(u'主')]
            movies_actors.append(actor)
        for item in score_list:
            score = item.text.strip()
            movies_scores.append(score)
        for item in quote_list:
            quote = item.span.text.strip()
            movies_quotes.append(quote)
    print (len(movies_actors))
    print (len(movies_quotes))
    for i in range(len(movies_titles)):
        item = [movies_titles[i], movies_actors[i], movies_scores[i], movies_quotes[i]]
        movies_info.append(item)

    return movies_info


if __name__ == "__main__":
    movies_info =  get_moves()
    save_movie(movies_info)

上述代码在获取“导演”这个信息时，使用div_bd_list = soup.findAll('div', {'class': 'bd'})获取到的列表第一个元素需要除去，不是我们想要的元素。

代码中的findAll()方法就是find_all()方法，findAll = find_all。

另外代码中的header信息可以在浏览器（我使用的是chrome）中获得：在chrome中点击检查，在选择network可以看到Request Headers请求头的主要信息。