IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 豆瓣电影 Top 250 —— 数据爬取 -> 正文阅读

[Python知识库]豆瓣电影 Top 250 —— 数据爬取

1 项目简述

本项目是根据《Python网络爬虫从入门到实践(第2版)》第三章末的自我实践题完成的,具体题目内容如下:

获取TOP 250 电影的英文名、港台名、导演、评论和评分等。

主干代码见下文:

import requests
import random
import re
import config
import time
import pandas as pd


def get_html(link, encoding='utf-8'):
    r = requests.get(link, timeout=30, headers={
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36',
        'Host': 'movie.douban.com'})
    r.raise_for_status()
    r.encoding = encoding
    return r.text


def db_spider(link):
    """
    Get the latest movies on the Top250 list from the link.
    :param link: douban Top250's link.
    :return: Scraped data.
    """
    time.sleep(random.random() * config.interval + config.interval)
    filmnames = re.findall('<a href=".*?">.*?<span class="title">(.*?)</span>', get_html(link), re.S)
    Englishnames = re.findall('<span class="title">.nbsp;/.nbsp;(.*?)</span>', get_html(link), re.S)
    Hongkongnames = re.findall('<span class="other">.nbsp;/.nbsp;(.*?)</span>', get_html(link), re.S)
    levels = re.findall('导演:(.*?).nbsp;.nbsp;.nbsp;主演:.*?', get_html(link), re.S)
    comments = re.findall('<span class="inq">(.*?)</span>', get_html(link), re.S)
    scores = re.findall('<span class="rating_num" property="v:average">(.*?)</span>', get_html(link), re.S)
    for filmname, Englishname, Hongkongname, level, comment, score in zip(filmnames, Englishnames, Hongkongnames,
                                                                          levels, comments, scores):
        movie = {
            'filmname': filmname,
            'Englishname': Englishname,
            'Hongkongname': Hongkongname,
            'level': level,
            'comment': comment,
            'score': score
        }
        movies_data.append(movie)


def export_to_excel(data, filename):
    # Convert the dict list to a DataFrame
    pf = pd.DataFrame(data)
    # Specifies the name of generated Excel table.
    file = pd.ExcelWriter(filename)
    # export.
    pf.to_excel(file, encoding='utf-8', index=False)
    # Save the data.
    file.save()


if __name__ == '__main__':
    movies_data = []
    for link in config.links:
        db_spider(link)
    export_to_excel(movies_data, config.filename)
    print(f'[NORMAL]   Successfully saved data to {config.filename}.')

完整代码下载地址:https://github.com/Duguce/my_gadgets/tree/main/douban_top250_spider

参考资料

[1] 唐松.2019.Python网络爬虫从入门到实践(第2版)[M].北京:机械工业出版社

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2022-03-04 15:30:49  更:2022-03-04 15:31:09 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/15 22:18:56-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码