导航：首页 > 互联网科技 >

Python怎么爬取豆瓣电影排行信息

发表于：2024-09-22 作者：千家信息网编辑

千家信息网最后更新 2024年09月22日，这篇文章主要讲解了"Python怎么爬取豆瓣电影排行信息"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"Python怎么爬取豆瓣电影排行信息"吧！基本开

千家信息网最后更新 2024年09月22日Python怎么爬取豆瓣电影排行信息

这篇文章主要讲解了"Python怎么爬取豆瓣电影排行信息"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"Python怎么爬取豆瓣电影排行信息"吧！

基本开发环境

Python 3.6
Pycharm

爬虫基本思路

请求url地址，使用get请求，添加headers请求头，模拟浏览器请求，网页会给你返回response对象

# 模拟浏览器发送请求import requestsurl = 'https://movie.douban.com/top250'headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}response = requests.get(url=url, headers=headers)print(response)

200是状态码，表示请求成功

2xx （成功）
3xx （重定向）
4xx（请求错误）
5xx（服务器错误）

常见状态码

200 - 服务器成功返回网页，客户端请求已成功。
302 - 对象临时移动。服务器目前从不同位置的网页响应请求，但请求者应继续使用原有位置来进行以后的请求。
304 - 属于重定向。自上次请求后，请求的网页未修改过。服务器返回此响应时，不会返回网页内容。
401 - 未授权。请求要求身份验证。对于需要登录的网页，服务器可能返回此响应。
404 - 未找到。服务器找不到请求的网页。
503 （服务不可用）服务器目前无法使用（由于超载或停机维护）。通常，这只是暂时状态。

三、获取数据

import requestsurl = 'https://movie.douban.com/top250'headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}response = requests.get(url=url, headers=headers)print(response.text)

四、解析数据

常用解析数据方法：正则表达式、css选择器、xpath、lxml…

常用解析模块：bs4、parsel…

我们使用的是 parsel 无论是在之前的文章，还是说之后的爬虫系列文章，我都会使用 parsel 这个解析库，无它就是觉得它比bs4香。

parsel 是第三方模块，pip install parsel 安装即可

parsel 可以使用 css、xpath、re解析方法

所有的电影信息都包含在 li 标签当中。

# 把 response.text 文本数据转换成 selector 对象selector = parsel.Selector(response.text)# 获取所有li标签lis = selector.css('.grid_view li')# 遍历出每个li标签内容for li in lis:    # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有    title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串    movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表    star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')    movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']    movie_time = movie_info[0]  # 电影上映时间    movie_country = movie_info[1]   # 哪个国家的电影    movie_type = movie_info[2]     # 什么类型的电影    rating_num = li.css('.rating_num::text').get()   # 电影评分    people = li.css('.star span:nth-child(4)::text').get()   # 评价人数    summary = li.css('.inq::text').get()   # 一句话概述    dit = {        '电影名字': title,        '参演人员': star,        '上映时间': movie_time,        '拍摄国家': movie_country,        '电影类型': movie_type,        '电影评分': rating_num,        '评价人数': people,        '电影概述': summary,    }    # pprint 格式化输出模块    pprint.pprint(dit)

以上的知识点使用到了

parsel 解析模块的方法
for 循环
css 选择器
字典的创建
列表取值
字符串的方法：分割、替换等
pprint 格式化输出模块

所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。

五、保存数据（数据持久化）

常用的保存数据方法 with open

像豆瓣电影信息这样的数据，保存到Excel表格里面会更好。

所以需要使用到 csv 模块

# csv模块保存数据到Excelf = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',                                           '电影评分', '评价人数', '电影概述'])csv_writer.writeheader()    # 写入表头

这就是爬取了数据保存到本地了。这只是一页的数据，爬取数据肯定不只是爬取一页数据。想要实现多页数据爬取，就要分析网页数据的url地址变化规律。

可以清楚看到每页url地址是 25 递增的，使用for循环实现翻页操作

for page in range(0, 251, 25):    url = f'https://movie.douban.com/top250?start={page}&filter='

完整实现代码

""""""import pprintimport requestsimport parselimport csv'''1、明确需求:    爬取豆瓣Top250排行电影信息        电影名字        导演、主演        年份、国家、类型        评分、评价人数        电影简介'''# csv模块保存数据到Excelf = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',                                           '电影评分', '评价人数', '电影概述'])csv_writer.writeheader()    # 写入表头# 模拟浏览器发送请求for page in range(0, 251, 25):    url = f'https://movie.douban.com/top250?start={page}&filter='    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'    }    response = requests.get(url=url, headers=headers)    # 把 response.text 文本数据转换成 selector 对象    selector = parsel.Selector(response.text)    # 获取所有li标签    lis = selector.css('.grid_view li')    # 遍历出每个li标签内容    for li in lis:        # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有        title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串        movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表        star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')        movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']        movie_time = movie_info[0]  # 电影上映时间        movie_country = movie_info[1]   # 哪个国家的电影        movie_type = movie_info[2]     # 什么类型的电影        rating_num = li.css('.rating_num::text').get()   # 电影评分        people = li.css('.star span:nth-child(4)::text').get()   # 评价人数        summary = li.css('.inq::text').get()   # 一句话概述        dit = {            '电影名字': title,            '参演人员': star,            '上映时间': movie_time,            '拍摄国家': movie_country,            '电影类型': movie_type,            '电影评分': rating_num,            '评价人数': people,            '电影概述': summary,        }        pprint.pprint(dit)        csv_writer.writerow(dit)