爬取某瓣电影排行信息

嗨嗨，我是小圆。

今天给大家分享一下，如何爬取某瓣电影排行信息。

有什么不会的可以私信我或者评论，python相关报错解答自己不会的、或者源码资料/模块安装都可以来这里：（https://jq.qq.com/?_wv=1027&k=gRrBZYLC）

基本开发环境

Python 3.6
Pycharm

相关模块的使用

requests
parsel
csv

安装Python并添加到环境变量，pip安装需要的相关模块即可。

基本思路

1.明确需求

爬取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

2.发送请求

Python中的大量开源的模块使得编码变的特别简单，我们第一个要了解的模块就是requests。

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 requests
url = 'https://平台原因自己打'
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。

3.获取数据

import requests
url = 'https:/平台原因自己打'
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)

requests.get(url=url, headers=headers) 请求网页返回的是response对象

response.text： 获取网页文本数据

response.json： 获取网页json数据

这两个是用的最多的，当然还有其他的

4.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。

5.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。
所以需要用到 csv 模块

# csv模块保存数据到Excel
f = open('某瓣电影数据.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

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://平台原因自己打.com/top250?start={page}&filter='

完整实现代码

""""""
import pprint
import requests
import parsel
import csv
'''
1、明确需求:爬取某瓣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Excel
f = open('某瓣电影数据.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)

好啦分享到这里也就结束了，喜欢的朋友记得点赞哦