查看原文
其他

python爬虫08 | 你的第二个爬虫,要过年了,爬取豆瓣最受欢迎的250部电影慢慢看

小帅b 学习python的正确姿势 2019-04-06

马上就要过年啦







过年在家干啥咧


准备好被七大姑八大姨轮番「轰炸」了没?






你的内心 os 是这样的



但实际上你是这样的



应付完之后


闲暇时刻不妨看看电影


接下来咱们就来爬取豆瓣上评分最高的


250部电影


这次我们就要来使用上次说的


 BeautifulSoup Reuqests


进行爬取啦


这次


我们将爬取到的内容存放到 excel 吧



那么


接下来就是



学习 python 的正确姿势




我们还是老样子


先摸清对方的底


知己知彼


百战不殆


首先打开我们的目标链接


https://movie.douban.com/top250


可以看到这样一个网页




每一页显示了 25 条数据


当我们点击下一页的时候


链接请求参数变了


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


我们一眼就看的出来


这里就是从第 25 条数据开始加载的


所以


我们可以使用这个 start=25 来做变量


实现翻页获取信息


接下来我们来看下我们要的主要信息


电影名称

电影图片

电影排名

电影评分

电影作者

电影简介





等会我们可以使用 BeautifulSoup 超简单获取


一顿分析之后


我们就开始撸代码啦



主要思路


请求豆瓣的链接获取网页源代码


然后使用 BeatifulSoup 拿到我们要的内容


最后就把数据存储到 excel 文件中


def main(page):
   url = 'https://movie.douban.com/top250?start='+ str(page*25)+'&filter='
   html = request_douban(url)
   soup = BeautifulSoup(html, 'lxml')
   save_to_excel(soup)


请求豆瓣电影


def request_douban(url):
   try:
       response = requests.get(url)
       if response.status_code == 200:
           return response.text
   except requests.RequestException:
       return None


获取到的主要源代码


...

<ol class="grid_view">
       <li>
           <div class="item">
               <div class="pic">
                   <em class="">1</em>
                   <a href="https://movie.douban.com/subject/1292052/">
                       <img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" class="">
                   </a>
               </div>
               <div class="info">
                   <div class="hd">
                       <a href="https://movie.douban.com/subject/1292052/" class="">
                           <span class="title">肖申克的救赎</span>
                                   <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
                               <span class="other">&nbsp;/&nbsp;月黑高飞(港)  /  刺激1995(台)</span>
                       </a>


                           <span class="playable">[可播放]</span>
                   </div>
                   <div class="bd">
                       <p class="">
                           导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
                           1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情
                       </p>

                       
                       <div class="star">
                               <span class="rating5-t"></span>
                               <span class="rating_num" property="v:average">9.6</span>
                               <span property="v:best" content="10.0"></span>
                               <span>1286755人评价</span>
                       </div>

                           <p class="quote">
                               <span class="inq">希望让人自由。</span>
                           </p>
                   </div>
               </div>
           </div>
       </li>

...


BeatifulSoup 解析


list = soup.find(class_='grid_view').find_all('li')

   for item in list:
       item_name = item.find(class_='title').string
       item_img = item.find('a').find('img').get('src')
       item_index = item.find(class_='').string
       item_score = item.find(class_='rating_num').string
       item_author = item.find('p').text
       item_intr = item.find(class_='inq').string

       # print('爬取电影:' + item_index + ' | ' + item_name +' | ' + item_img +' | ' + item_score +' | ' + item_author +' | ' + item_intr )
       print('爬取电影:' + item_index + ' | ' + item_name  +' | ' + item_score  +' | ' + item_intr )


打印一下


爬取电影:1 | 肖申克的救赎 | 9.6 | 希望让人自由。
爬取电影:2 |
霸王别姬 | 9.6 | 风华绝代。
爬取电影:3 | 这个杀手不太冷 | 9.4 | 怪蜀黍和小萝莉不得不说的故事。
爬取电影:4 |
阿甘正传 | 9.4 | 一部美国近现代史。
爬取电影:5 | 美丽人生 | 9.5 | 最美的谎言。
爬取电影:6 |
泰坦尼克号 | 9.3 | 失去的才是永恒的。
爬取电影:7 | 千与千寻 | 9.3 | 最好的宫崎骏,最好的久石让。
爬取电影:8 |
辛德勒的名单 | 9.5 | 拯救一个人,就是拯救整个世界。
爬取电影:9 | 盗梦空间 | 9.3 | 诺兰给了我们一场无法盗取的梦。
爬取电影:10 |
机器人总动员 | 9.3 | 小瓦力,大人生。
爬取电影:11 | 忠犬八公的故事 | 9.3 | 永远都不能忘记你所爱的人。
...
爬取电影:21 |
无间道 | 9.1 | 香港电影史上永不过时的杰作。
爬取电影:22 | 当幸福来敲门 | 9.0 | 平民励志片。
爬取电影:23 |
疯狂动物城 | 9.2 | 迪士尼给我们营造的乌托邦就是这样,永远善良勇敢,永远出乎意料。
爬取电影:24 | 触不可及 | 9.2 | 满满温情的高雅喜剧。
爬取电影:25 |
怦然心动 | 9.0 | 真正的幸福是来自内心深处。


拿到数据啦



循环获取 10 页的所有数据


来个循环吧


for i in range(0, 10):
       main(i)



获取到数据当然是要存储了


导入 excel 的库 


import xlwt


创建一个 excel 的 sheet


每一列就是我们要的关键内容


book=xlwt.Workbook(encoding='utf-8',style_compression=0)

sheet=book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
sheet.write(0,0,'名称')
sheet.write(0,1,'图片')
sheet.write(0,2,'排名')
sheet.write(0,3,'评分')
sheet.write(0,4,'作者')
sheet.write(0,5,'简介')



将爬取到的所有数据写入 excel


sheet.write(n, 0, item_name)
       sheet.write(n, 1, item_img)
       sheet.write(n, 2, item_index)
       sheet.write(n, 3, item_score)
       sheet.write(n, 4, item_author)
       sheet.write(n, 5, item_intr)


最后来个保存


book.save(u'豆瓣最受欢迎的250部电影.xlsx')





运行一下吧



生成了一个 excel 文件






老规矩


小帅b把本篇涉及到的源代码放在后台了


公众号发送「250」获取



再见


近期文章


python爬虫07 | 有了 BeautifulSoup ,妈妈再也不用担心我的正则表达式了


python爬虫06 | 你的第一个爬虫,爬取当当网 Top 500 本五星好评书籍


python爬虫05 | 年轻人,不会正则表达式你睡得着觉?有点出息没有?




扫一扫

学习 Python 没烦恼




好看的人都点了

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存