如何爬取豆瓣电影？python十分钟搞定

悟空学python

                               
登录/注册后可看大图

助理扣扣：159 60 12 148 免费领取python学习基础课程，以及免费课程权限
爬虫又称为网页蜘蛛，是一种程序或脚本。

但重点在于，它能够按照一定的规则，自动获取网页信息。

爬虫的基本原理——通用框架

1.挑选种子URL；

2.讲这些URL放入带抓取的URL列队；

3.取出带抓取的URL，下载并存储进已下载网页库中。此外，讲这些URL放入带抓取URL列队，进入下一循环。

4.分析已抓取列队中的URL，并且将URL放入带抓取URL列队，从而进去下一循环。

                               
登录/注册后可看大图

爬虫获取网页信息和人工获取信息，其实原理是一致的。

如我们要获取电影的“评分”信息

                               
登录/注册后可看大图

人工操作步骤：

1.获取电影信息的网页；

2.定位（找到）要评分信息的位置；

3.复制、保存我们想要的评分数据。

爬虫操作步骤：

1.请求并下载电影页面信息；

2.解析并定位评分信息；

3.保存评分数据。

爬虫的基本流程

简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面后，我们可以抽取我们想要的那部分信息，并存储在指定文档或数据库中，这样，我们想要的信息会被我们“爬”下来了。

                               
登录/注册后可看大图

python中用于爬虫的包很多，如bs4，urllib，requests等等。这里我们用requests+xpath的方式，因为简单易学，像BeautifulSoup还是有点难的。

下面我们就使用requests和xpath来爬取豆瓣电影中的“电影名”、“导演”、“演员”、“评分”等信息。

安装requests和lxml库：

1  pip install requests

2  pip install lxml

一、导入模块

1  #-*- coding:utf-8 -*-

2  import requests

3  from lxml import etree

4  import time #这里导入时间模块，以免豆瓣封你IP

二、获取豆瓣电影目标网页并解析

爬取豆瓣电影《神秘巨星》上的一些信息，地址

https://movie.douban.com/subject/26942674/?from=showing

                               
登录/注册后可看大图

1    #-*- coding:utf-8 -*-

2    import requests

3    from lxml import etree

4    import time

5  url = 'https://movie.douban.com/subject/26942674/'

6   data = requests.get(url).text

7   s=etree.HTML(data)

8    #给定url并用requests.get()方法来获取页面的text，用etree.HTML()

9   #来解析下载的页面数据“data”。

1.获取电影名称。

获取电影的xpath信息并获得文本

1  s.xpath('元素的xpath信息/text()')

这里的xpath信息要手动获取，获取方式如下：

1.如果你是用谷歌浏览器的话，鼠标“右键”–>“检查元素”；

2.Ctrl+Shift+C将鼠标定位到标题；

3.“右键”–>“Copy”–>“Copy Xpath”就可以复制xpath。

                               
登录/注册后可看大图

                               
登录/注册后可看大图

这样，我们就把电影标题的xpath信息复制下来了。

1   //*[@id="content"]/h1/span[1]

放到代码中并打印信息

1   #-*- coding:utf-8 -*-

2   import requests

3    from lxml import etree

4   import time

5   url = 'https://movie.douban.com/subject/26942674/'

6  data = requests.get(url).text

7  s=etree.HTML(data)

8  

9   film_name = s.xpath('//*[@id="content"]/h1/span[1]/text()')

10  print("电影名:",film_name)

这样，我们爬取豆瓣电影中《神秘巨星》的“电影名称”信息的代码已经完成了，可以在eclipse中运行代码。

得到如下结果：

1   电影名: ['神秘巨星 Secret Superstar']

OK，迈出了第一步，我们继续抓取导演、主演、评分；

1  film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#电影名

2  director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧

3  actor1=s.xpath('//*[@id="info"]/span[3]/span[2]/a[1]/text()')#主演1

4  actor2=s.xpath('//*[@id="info"]/span[3]/span[2]/a[2]/text()')#主演2

5  actor3=s.xpath('//*[@id="info"]/span[3]/span[2]/a[3]/text()')#主演3

6  actor4=s.xpath('//*[@id="info"]/span[3]/span[2]/a[4]/text()')#主演4

7  movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长

观察上面的代码，发现获取不同主演时，区别只在于“a[x]”中“x”的值不同。实际上，要一次性获取所有主演信息时，用不加数字的“a”即可获取。

如下：

1  actors = s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#所有主演

所以我们修改好的完整代码如下：

1   #-*- coding:utf-8 -*-

2   import requests

3   from lxml import etree

4   import time

5    url1 = 'https://movie.douban.com/subject/26942674/'

6   data = requests.get(url1).text

7   s=etree.HTML(data)

8   

9    film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#电影名

10  director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧

11   actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#主演

12   movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长

13   #由于导演有时候不止一个人，所以我这里以列表的形式输出

14   ds = []

15   for d in director:

16   ds.append(d)

17

18   #由于演员不止一个人，所以我这里以列表的形式输出

19  acs = []

20  for a in actor:

21  acs.append(a)

22  print ('电影名:',film_name)

23  print ('导演:',ds)

24  print ('主演:',acs)

25   print ('片长:',movie_time)

结果输出：

1   电影名: ['神秘巨星 Secret Superstar']

2  导演: ['阿德瓦·香登']

3   主演: ['塞伊拉·沃西', '梅·维贾', '阿米尔·汗', '拉杰·阿晶', '提斯·沙马', '卡比尔·谢赫', '法如克·贾法尔',

4   '马努杰·沙玛', '莫娜·安伯加卡尔', '尼基塔·阿南德', '尚', '莫纳利·塔库尔']

5   片长: ['150分钟']

怎么样，是不是很简单啊。赶快去试试吧~~~

这里顺便补充点基础知识：

Requests常用的七种方法：


目前，我们只需要掌握最常用的requests.get()方法就好了。

requests.get()的使用方法

1  import requests

2  url = 'https://www.baidu.com'

3   data = requests.get(url)#使用get方法发送请求，返回汗网页数据的Response并存储到对象data 中

Repsonse对象的属性：

data.status_code：http请求的返回状态，200表示连接成功；

data.text：返回对象的文本内容；

data.content：猜测返回对象的二进制形式；

data.encoding：返回对象的编码方式；

data.apparent_encoding：响应内容编码方式。