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
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
- 分享
- 举报
-
浏览量:2149次2018-10-15 21:45:22
-
浏览量:1896次2018-10-19 18:10:59
-
浏览量:2014次2018-10-16 15:11:27
-
浏览量:3205次2018-10-18 18:19:54
-
浏览量:6136次2020-12-29 18:07:19
-
浏览量:683次2023-09-05 11:03:36
-
浏览量:13887次2020-12-09 09:53:36
-
浏览量:4910次2021-04-23 14:09:37
-
浏览量:5156次2021-04-10 14:21:38
-
浏览量:754次2023-07-05 10:14:30
-
浏览量:4338次2021-09-13 13:44:04
-
浏览量:10596次2021-04-27 00:28:09
-
浏览量:9440次2020-12-10 18:35:14
-
浏览量:116次2023-08-30 20:27:59
-
浏览量:9209次2020-12-12 14:56:13
-
浏览量:6571次2021-02-06 17:02:32
-
浏览量:1021次2023-01-29 11:28:01
-
浏览量:5400次2021-05-02 18:00:46
-
浏览量:1766次2020-11-28 19:49:35
-
广告/SPAM
-
恶意灌水
-
违规内容
-
文不对题
-
重复发帖
nianqunsh
感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~
举报类型
- 内容涉黄/赌/毒
- 内容侵权/抄袭
- 政治相关
- 涉嫌广告
- 侮辱谩骂
- 其他
详细说明