Python|简单爬取豆瓣网电影信息

前言：

在掌握一些基础的爬虫知识后，就可以尝试做一些简单的爬虫来练一练手。今天要做的是利用xpath库来进行简单的数据的爬取。我们爬取的目标是电影的名字、导演和演员的信息、评分和url地址。

准备环境：Pycharm、python3、爬虫库request、xpath模块、lxml模块

第一步：分析url ,理清思路

先搜索豆瓣电影top250，打开网站可以发现要爬取的数据不止存在单独的一页，而是存在十页当中，这时应该怎么做呢？

首先观察：

第一页的

url:https://movie.douban.com/top250?start=0&filter=

第二页的

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

第三页的

url:https://movie.douban.com/top250?start=50&filter=

可以得出一个结论每页的url是有规律的，start后面的数字等于页数减一乘以五。这样就可以用一个循环来爬取。

图1.1

再来就是通常的头部信息，第一步如下图所示：

图1.2

第二步：发送请求，利用xpath处理数据

Xpath可以通过节点来快速获取需要的信息，并把它提取出来。先打开浏览器的开发者工具。发现所有的电影数据都存放在div[@class="info"]的标签里，通过一级一级的获取，就可以得到想要的信息。可以直接来利用开发者工具的copy,来copy xpath的路径，但一般不推荐，因为很可能出错。

图2.1

如图所示：

图2.2

第三步：保存数据

我们可以用csv来保存数据

图3.1

代码如下：

import requests

import lxml.html

import csv

etree = lxml.html.etree

temp = r'C:\Users\86177\Desktop'+'\\'+'doubanmovie'

with open(temp + '.csv', 'w') as f:

csvwriter = csv.writer(f, dialect='excel')

csvwriter.writerow(['title','info','average','link'])

header ={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)  AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.7 Safari/537.36'}

for n in range(11):

url = 'https://movie.douban.com/top250?start=%s&filter='.format((n-1)*5)

response = requests.get(url,headers=header)

response.encoding = "utf-8"

html1 = etree.HTML(response.text)

h = html1.xpath('//div[@class="info"]')

for sech in h:

i = sech

title = i.xpath('div[@class="hd"]/a/span[@class="title"]/text()')

othertitle = i.xpath('div[@class="hd"]/a/span[@class="other"]/text()')

info = i.xpath('div[@class="bd"]/p/text()')

average = i.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')

link = i.xpath('div[@class="hd"]/a/@href')

for a, b, c, d in zip(title,  info, average, link):

print(a, b, c, d)

with open(temp + '.csv', 'w')  as f:

csvwriter =  csv.writer(f, dialect='excel')

csvwriter.writerow([a,  b, c, d])

总结：

这次爬取豆瓣的反爬虫机制较少，很适合一些学习爬虫知识的小白来练一练手。提高爬虫实战的能力。

END编  辑   |   王楠岚

责  编   |   王   曦

where2go 团队

微信号：算法与编程之美