爬取豆瓣电影Top250影片信息
查看影片的详细信息爬取过程需安装的包确定爬取地址发送请求头解析数据保存数据完整代码查看影片的详细信息
进入豆瓣电影Top250，选择某一影片，右击，选择“检查元素”。
爬取过程
需安装的包
安装requests、etree、json。
// An highlighted blockimport jsonimport requestsfrom lxml import etree
确定爬取地址
由于豆瓣电影Top250是分页的，即计划爬取的影片信息分布在不同的页面上，其对应的网址不同，故需对不同的爬取地址统一格式。
代码如下：
// An highlighted blockurl_list=[]base_url="/top250?start={}&filter="for i in range(0,10):url=base_url.format(i*25)url_list.append(url)print(url_list)
发送请求头
很多网站有反爬虫机制，如果发送没有haeders信息的请求，会被认为是爬虫，则会被禁止请求。设置header，通过request发送请求头。header中必须包含的信息有User_Agent，还可包括Host、Referer、Cookie等，查看方式如下。
发送请求代码如下：
// An highlighted blockheader={" Host": ""，"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"#Referer Cookie}for url in url_list:data=requests.get(url,headers=header,allow_redirects=False).content.decode()print(data)
解析数据
可利用BeautifulSoup或etree.HTML解析数据，此处使用后者。
// An highlighted blockxpath_data=etree.HTML(data)
通过下图，可以看到每一影片的完整信息对应的源代码为<div class="item">，影片题目对应的源代码为<a href="/subject/1292052/">，影片导演及出版信息等对应的源代码为<p class="">，影片评分对应的源代码为<div class="star">，影片简介对应的源代码为<p class="quote">。
进一步解析代码如下：
// An highlighted blockxpath_data=etree.HTML(data)movie_list=xpath_data.xpath('//div[@class="item"]') #获取每一部电影的全部信息data_list=[]for movie in move_list:movie_dic={}movie_dic['herf']=movie.xpath('.//div[@class="hd"]/a/@herf')[0] #获取每一部电影的链接movie_dic['name']=movie.xpath('.//a/span/text()')[0] #获取每一部电影的名字movie_dic['dir&act']=movie.xpath('.//div[@class="bd"]/p/text()')[0] .replace('\n','').replace(' ','') #获取每一部电影的导演和演员movie_dic['year&coun&class']=movie.xpath('.//div[@class="bd"]/p/text()')[1] .replace('\n','').replace(' ','') #获取每一部电影的放映时间、出版国家、标签movie_dic['rating']=movie.xpath('.//div[@class="star"]/span/text()')[0] #获取每一部电影的评分movie_dic['comment']=movie.xpath('.//div[@class="star"]/span/text()')[1] #获取每一部电影的评论人数movie_dic['summary']=movie.xpath('p[@class="quote"]/span/text()')[0].replace(' ','') #获取每一部电影的简介data_list.append(movie_dic)print(data_list)
保存数据
将解析得到的数据保存为json格式，代码如下：
// An highlighted blockjson.dump(data_list,open('movie_250.json','w',encoding='UTF-8'))
完整代码
爬取豆瓣电影Top250影片信息的完整代码如下：
// An highlighted blockimport jsonimport requestsfrom lxml import etree#构建所有的urlbase_url="/top250?start={}&filter="url_list=[]for i in range(0,10):url=base_url.format(i*25)url_list.append(url)print(url_list)#数据爬取header={"Host": "","User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"#Referer Cookie}data_list=[]for url in url_list:#发送请求data=requests.get(url,headers=header,allow_redirects=False).content.decode()print(data)#解析数据xpath_data=etree.HTML(data)movie_list=xpath_data.xpath('//div[@class="item"]') #获取每一部电影的全部信息for movie in movie_list:movie_dic={}movie_dic['herf']=movie.xpath('.//div[@class="hd"]/a/@href')[0] #获取每一部电影的链接movie_dic['name']=movie.xpath('.//a/span/text()')[0] #获取每一部电影的名字movie_dic['dir&act']=movie.xpath('.//div[@class="bd"]/p/text()')[0] .replace('\n','').replace(' ','') #获取每一部电影的导演和演员movie_dic['year&coun&class']=movie.xpath('.//div[@class="bd"]/p/text()')[1] .replace('\n','').replace(' ','') #获取每一部电影的放映时间、出版国家、标签movie_dic['rating']=movie.xpath('.//div[@class="star"]/span/text()')[0] #获取每一部电影的评分movie_dic['comment']=movie.xpath('.//div[@class="star"]/span/text()')[1] #获取每一部电影的评论人数movie_dic['summary']=movie.xpath('.//p[@class="quote"]/span/text()') #获取每一部电影的简介data_list.append(movie_dic)#存储数据json.dump(data_list,open('movie_250.json','w',encoding='UTF-8'))
参考资料：廖雪峰爬虫课程
