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
 
   -> 网络协议 -> Python爬虫实例2 -> 正文阅读

[网络协议]Python爬虫实例2

Python爬虫实例2

爬取豆瓣电影TOP250(https://movie.douban.com/top250)的相关内容

在这里插入图片描述

step1 准备工作

目标:

爬取豆瓣电影TOP250的电影名称、豆瓣评分、评价数、电影概况、电影链接等

分析:

第一页URL:https://movie.douban.com/top250,展示了排行1-25的电影;
第二页URL:https://movie.douban.com/top250?start=25&filter=,展示了排行26-50的电影;

获取TOP250,需要分开请求10次,参数start分别为:0,25…225

step2 获取数据

1.爬取第一页的源代码

import urllib.request

url = "https://movie.douban.com/top250"

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.0 Safari/605.1.15'
}

request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')
print(html)

小插曲:

其中出现了“unable to get local issuer certificate (_ssl.c:1129)”错误,加入下方代码即可

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

2.提取信息

每部电影对应一个li节点

        <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://img2.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">9.7</span>
                                <span property="v:best" content="10.0"></span>
                                <span>2466166人评价</span>
                        </div>

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

使用BeautifulSoup、re库匹配信息

from bs4 import BeautifulSoup
import re

findlink = re.compile(r'<a href="(.*?)">')
# 电影链接
findImg = re.compile(r'<img.*?src="(.*?)"', re.S)
# 图片链接
findTitle = re.compile(r'<span class="title">(.*?)</span>')
# 电影名称
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 电影评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 评价人数
findInq = re.compile(r'<span class="inq">(.*?)</span>')
# 评语
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
# 背景

soup = BeautifulSoup(html, 'html.parser')

for item in soup.find_all('div', class_="item"):
    data = []
    item = str(item)
    link = re.findall(findlink, item)[0]
    data.append(link)
    image = re.findall(findImg, item)[0]
    data.append(image)
    title = re.findall(findTitle, item)[0]
    data.append(title)
    rating = re.findall(findRating, item)[0]
    data.append(rating)
    judge = re.findall(findJudge, item)[0]
    data.append(judge)
    inq = re.findall(findInq, item)[0]
    data.append(inq)
    bd = re.findall(findBd, item)[0]
    data.append(bd)
    print(data)

得到了第一页排名1-25的电影信息
在这里插入图片描述

分页爬取

给URL传入参数start=0,25…225

def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    print(datalist)

在askURL函数添加了error

def askURL(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.0 Safari/605.1.15'
    }
    html = ''
    try:
        request = urllib.request.Request(url=url, headers=headers)
        response = urllib.request.urlopen(request)
        html = response.read().decode('utf-8')
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html
def getData(baseurl):
    datalist = []

    for i in range(0, 10):
        url = baseurl+str(i*25)
        html = askURL(url)

        soup = BeautifulSoup(html, 'html.parser')
        for item in soup.find_all('div', class_="item"):
            data = []
            item = str(item)
            link = re.findall(findlink, item)[0]
            data.append(link)
            image = re.findall(findImg, item)[0]
            data.append(image)
            title = re.findall(findTitle, item)[0]
            data.append(title)
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            judge = re.findall(findJudge, item)[0]
            data.append(judge)
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")
            bd = re.findall(findBd, item)[0]
            data.append(bd)

            datalist.append(data)

    return datalist

step3 保存数据

def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding='utf-8', style_compression=0)
    sheet = book.add_sheet("豆瓣电影TOP250")
    col = ("电影链接", "图片链接", "电影名称", "电影评分", "评价人数", "评语", "背景")
    for i in range(0, 7):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        data = datalist[i]
        for j in range(0, 7):
            sheet.write(i+1, j, data[j])
    book.save(savepath)

结果:
在这里插入图片描述
爬取成功!!!

完整代码:

import xlwt
from bs4 import BeautifulSoup
import re
import ssl
import urllib.request
import urllib.error

ssl._create_default_https_context = ssl._create_unverified_context

findlink = re.compile(r'<a href="(.*?)">')
# 电影链接
findImg = re.compile(r'<img.*?src="(.*?)"', re.S)
# 图片链接
findTitle = re.compile(r'<span class="title">(.*?)</span>')
# 电影名称
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 电影评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 评价人数
findInq = re.compile(r'<span class="inq">(.*?)</span>')
# 评语
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
# 背景


def askURL(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.0 Safari/605.1.15'
    }
    html = ''
    try:
        request = urllib.request.Request(url=url, headers=headers)
        response = urllib.request.urlopen(request)
        html = response.read().decode('utf-8')
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


def getData(baseurl):
    datalist = []

    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)

        soup = BeautifulSoup(html, 'html.parser')
        for item in soup.find_all('div', class_="item"):
            data = []
            item = str(item)
            link = re.findall(findlink, item)[0]
            data.append(link)
            image = re.findall(findImg, item)[0]
            data.append(image)
            title = re.findall(findTitle, item)[0]
            data.append(title)
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            judge = re.findall(findJudge, item)[0]
            data.append(judge)
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")
            bd = re.findall(findBd, item)[0]
            data.append(bd)

            datalist.append(data)

    return datalist


def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding='utf-8', style_compression=0)
    sheet = book.add_sheet("豆瓣电影TOP250")
    col = ("电影链接", "图片链接", "电影名称", "电影评分", "评价人数", "评语", "背景")
    for i in range(0, 7):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        data = datalist[i]
        for j in range(0, 7):
            sheet.write(i+1, j, data[j])
    book.save(savepath)


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    savepath = "豆瓣电影TOP250.xls"
    saveData(datalist, savepath)


if __name__ == '__main__':
    main()

  网络协议 最新文章
使用Easyswoole 搭建简单的Websoket服务
常见的数据通信方式有哪些?
Openssl 1024bit RSA算法---公私钥获取和处
HTTPS协议的密钥交换流程
《小白WEB安全入门》03. 漏洞篇
HttpRunner4.x 安装与使用
2021-07-04
手写RPC学习笔记
K8S高可用版本部署
mySQL计算IP地址范围
上一篇文章      下一篇文章      查看所有文章
加:2021-10-17 12:19:05  更:2021-10-17 12:19:22 
 
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6日历 -2024/6/29 19:02:08-

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