Python爬蟲入門教程01：豆瓣Top電影爬取

前言

本文的文字及圖片來源於網絡,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理。
PS：如有需要Python學習資料的小伙伴可以加點擊下方鏈接自行獲取

python免費學習資料以及群交流解答點擊即可加入

基本開發環境

• Python 3.6
• Pycharm

相關模塊的使用

• requests
• parsel
• csv

安裝Python並添加到環境變量，pip安裝需要的相關模塊即可。

爬蟲基本思路

一、明確需求

爬取豆瓣Top250排行電影信息

• 電影名字
• 導演、主演
• 年份、國家、類型
• 評分、評價人數
• 電影簡介
  

二、發送請求

Python中的大量開源的模塊使得編碼變的特別簡單，我們寫爬蟲第一個要了解的模塊就是requests。

請求url地址，使用get請求，添加headers請求頭，模擬瀏覽器請求，網頁會給你返回response對象

# 模擬瀏覽器發送請求
import requests
url = '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是狀態碼，表示請求成功

2xx （成功）
3xx （重定向）
4xx（請求錯誤）
5xx（服務器錯誤）

常見狀態碼

• 200 - 服務器成功返回網頁，客戶端請求已成功。
• 302 - 對象臨時移動。服務器目前從不同位置的網頁響應請求，但請求者應繼續使用原有位置來進行以后的請求。
• 304 - 屬於重定向。自上次請求后，請求的網頁未修改過。服務器返回此響應時，不會返回網頁內容。
• 401 - 未授權。請求要求身份驗證。 對於需要登錄的網頁，服務器可能返回此響應。
• 404 - 未找到。服務器找不到請求的網頁。
• 503 （服務不可用） 服務器目前無法使用（由於超載或停機維護）。通常，這只是暫時狀態。

三、獲取數據

import requests
url = '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)

requests.get(url=url, headers=headers) 請求網頁返回的是response對象

response.text： 獲取網頁文本數據

response.json： 獲取網頁json數據

這兩個是用的最多的，當然還有其他的

apparent_encoding     cookies               	history
iter_lines            ok						close                 
elapsed               is_permanent_redirect 	json                  
raise_for_status	  connection            	encoding              
is_redirect           links                 	raw                   
content               headers               	iter_content          
next                  reason					url

四、解析數據

常用解析數據方法： 正則表達式、css選擇器、xpath、lxml...

常用解析模塊：bs4、parsel...

我們使用的是 parsel 無論是在之前的文章，還是說之后的爬蟲系列文章，我都會使用 parsel 這個解析庫，無它就是覺得它比bs4香。

parsel 是第三方模塊，pip install parsel 安裝即可

parsel 可以使用 css、xpath、re解析方法

所有的電影信息都包含在 li 標簽當中。

# 把 response.text 文本數據轉換成 selector 對象
selector = parsel.Selector(response.text)
# 獲取所有li標簽
lis = selector.css('.grid_view li')
# 遍歷出每個li標簽內容
for li in lis:
    # 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數據 get()輸出形式是 字符串獲取一個  getall() 輸出形式是列表獲取所有
    title = li.css('.hd a span:nth-child(1)::text').get()   # get()輸出形式是 字符串
    movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 輸出形式是列表
    star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
    movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美國', '犯罪 劇情']
    movie_time = movie_info[0]  # 電影上映時間
    movie_country = movie_info[1]   # 哪個國家的電影
    movie_type = movie_info[2]     # 什么類型的電影
    rating_num = li.css('.rating_num::text').get()   # 電影評分
    people = li.css('.star span:nth-child(4)::text').get()   # 評價人數
    summary = li.css('.inq::text').get()   # 一句話概述
    dit = {
        '電影名字': title,
        '參演人員': star,
        '上映時間': movie_time,
        '拍攝國家': movie_country,
        '電影類型': movie_type,
        '電影評分': rating_num,
        '評價人數': people,
        '電影概述': summary,
    }
    # pprint 格式化輸出模塊
    pprint.pprint(dit)

以上的知識點使用到了

• parsel 解析模塊的方法
• for 循環
• css 選擇器
• 字典的創建
• 列表取值
• 字符串的方法：分割、替換等
• pprint 格式化輸出模塊

所以扎實基礎是很有必要的。不然你連代碼都不知道為什么要這樣寫。

五、保存數據（數據持久化）

常用的保存數據方法 with open

像豆瓣電影信息這樣的數據，保存到Excel表格里面會更好。

所以需要使用到 csv 模塊

# csv模塊保存數據到Excel
f = open('豆瓣電影數據.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
                                           '電影評分', '評價人數', '電影概述'])

csv_writer.writeheader()    # 寫入表頭

這就是爬取了數據保存到本地了。這只是一頁的數據，爬取數據肯定不只是爬取一頁數據。想要實現多頁數據爬取，就要分析網頁數據的url地址變化規律。

可以清楚看到每頁url地址是 25 遞增的，使用for循環實現翻頁操作

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

完整實現代碼

""""""
import pprint
import requests
import parsel
import csv
'''
1、明確需求:
    爬取豆瓣Top250排行電影信息
        電影名字
        導演、主演
        年份、國家、類型
        評分、評價人數
        電影簡介
'''
# csv模塊保存數據到Excel
f = open('豆瓣電影數據.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['電影名字', '參演人員', '上映時間', '拍攝國家', '電影類型',
                                           '電影評分', '評價人數', '電影概述'])

csv_writer.writeheader()    # 寫入表頭

# 模擬瀏覽器發送請求
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 文本數據轉換成 selector 對象
    selector = parsel.Selector(response.text)
    # 獲取所有li標簽
    lis = selector.css('.grid_view li')
    # 遍歷出每個li標簽內容
    for li in lis:
        # 獲取電影標題 hd 類屬性 下面的 a 標簽下面的 第一個span標簽里面的文本數據 get()輸出形式是 字符串獲取一個  getall() 輸出形式是列表獲取所有
        title = li.css('.hd a span:nth-child(1)::text').get()   # get()輸出形式是 字符串
        movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 輸出形式是列表
        star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
        movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美國', '犯罪 劇情']
        movie_time = movie_info[0]  # 電影上映時間
        movie_country = movie_info[1]   # 哪個國家的電影
        movie_type = movie_info[2]     # 什么類型的電影
        rating_num = li.css('.rating_num::text').get()   # 電影評分
        people = li.css('.star span:nth-child(4)::text').get()   # 評價人數
        summary = li.css('.inq::text').get()   # 一句話概述
        dit = {
            '電影名字': title,
            '參演人員': star,
            '上映時間': movie_time,
            '拍攝國家': movie_country,
            '電影類型': movie_type,
            '電影評分': rating_num,
            '評價人數': people,
            '電影概述': summary,
        }
        pprint.pprint(dit)
        csv_writer.writerow(dit)

實現效果