EX3 | 用Python完成对豆瓣电影TOP250数据的爬取与保存

欢迎关注微信号：student_Shang
小编是985院校小硕士一枚，欢迎关注，持续更新中~

哈喽，大家好~

在本次推送中，以豆瓣网站电影数据作为采集目标，重点采集并保存豆瓣电影 TOP250 中的电影名、导演、一句话总结、电影海报链接、豆瓣单页链接等信息，在本地根目录下以 .txt 的文件形式进行存储。

1 准备工作

在本次爬虫开始之前，请确保已经安装好了第三方 requests 库、BeautifulSoup 库等。如果没有安装，请使用cmd打开命令行界面，并逐行键入以下代码：

pip install requests

pip install bs4

2 抓取分析

本次抓取的信息内容较上一次简单。只需要利用 requests 库向指定网站发送请求，获取服务器传来的响应，随后利用BeautifulSoup库完成对网页代码的解析，同时为了进一步防止触发反爬虫机制。具体分析如下：
首先，我们本次爬取的网站是

https://movie.douban.com/top250?start=00&filter=

右键点击 检查 按钮，或者直接按下 F12 进入开发者界面，点开 Network 一栏，并按下 F5 刷新按钮，必要时请按下 CTRL + F5 组合键完成页面的刷新。随后我们点击刷新后出现的第一个子栏目。如下图所示：

这里我们可以看到，网站请求的 Request URL ，再往下翻观察 Request Headers信息，为了避免触发反爬虫机制，我们要尽量把爬虫程序做的更像是人在浏览网页。

接下来便是对网页的提取与保存，我们开始今天的爬虫工作。

3 爬取信息与保存

在安装完毕我们在一开始介绍的第三方库后，这里我们需要首先导入这些文件才能够进行后续的操作。

import requests
from bs4 import BeautifulSoup

3.1 网页请求头的设置

为了使爬虫程序模拟的更像人在操作，因此我们添加了请求过程中一些比较重要的请求头信息，并将其整理成一个请求函数，具体如下：

def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
                      '(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
        'Host':'movie.douban.com'
            }
    r = requests.get(url,headers = headers)
    return r

接下来我们便开始网页的爬取工作。

3.2 豆瓣电影TOP250数据的爬取与保存

首先，我们需要对单个网页的信息进行爬取，通过对响应代码的分析，我们利用 BeautifulSoup 库完成对代码的解析。同时将其定义为 get_pictures_url() 函数。具体如下：

def get_pictures_url(url,number):
    r = get_page(url)
    Number = 0 + number * 25
    if r.status_code == 200:
        soup = BeautifulSoup(r.content)
        pictures_url = soup.find_all('div',class_="item")
        for pictures in pictures_url:
            Number += 1
            try:

                with open('douban_top250.txt','a') as f:
                    print('正在存储top第{}'.format(Number))
                    f.write('TOP排名：' + str(Number) + '\n')
                    f.write('源网页：' + pictures.find('a',class_="")['href'] + '\n')
                    f.write('海报地址：' + pictures.find('img', class_="")['src'] + '\n')
                    f.write('片名：' + pictures.find('img', class_="")['alt'] + '\n')
                    f.write(pictures.find('div', class_="bd").p.get_text()[29:40] + '\n')
                    f.write('一句话介绍：' + str(pictures.find('span', class_='inq').string) + '\n\n\n')
                    f.flush()
                    print("%s已存储" % pictures.find('img', class_="")['alt'])
            except:
                print('Fail download')

单个网页的内容收集完毕后，我们需要获取如何跳入下一页。这里我们发现，通过更改不同页数的网页 URL 之间的 pageNum 参数，可以实现网页之间的切换。

https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=

3.3 启动程序

最后，键入以下代码便能够实现整个程序的运行：

if __name__ == "__main__":
    for i in range(11):
        get_pictures_url("https://movie.douban.com/top250?start={}&filter=".format(i*25),i)
    print('-------------------------------------')
    print('数据保存完毕')

4 总结与展望

本次爬虫程序在编写过程中，遇到了无法对字符串进行保存的尴尬情况，主要原因在于写入文件的首个字符不应当为转义字符。在爬虫程序完成后，会在文件保存的根目录下出现 douban_top250.txt 的文件。此外，本次爬虫只限于对数据的爬取与保存工作，数据的分析工作留待后续进行再处理。

微信公众号：Python一号通
关注可了解更多的爬虫教程及机器学习内容。
问题或建议，请公众号留言