Python网络爬虫连载之二 - 豆瓣TOP250

payton24

豆瓣Top250电影数据
网址: https://movie.douban.com/top250?start=0&filter=

1.测试网络响应状态

import requests
from bs4 import BeautifulSoup
hds = {
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
'Host':'movie.douban.com'
}

for i in range(10):
    r = requests.get('https://movie.douban.com/top250?start={}&filter='.format(i*25), headers=headers)
    print(i,r.status_code)

2. 获取电影数据：电影名，英文电影名，港台电影名，导演，电影信息，评分
  ● 使用csv文件导出数据。输出为乱码，需要用记事本转成ANSI编码。
  ● 参考网上信息，Windows 的「ANSI」其实是 Windows code pages，此模式根据当前 locale 选定具体的编码，比如简中 locale 下是 GBK。
     把自己这些 code page 称作「ANSI」是 Windows 的臭毛病。在 ASCII 范围内它们应该是和 ASCII 一致的。
  ● 还遗留了一些小问题，“ ”无法有效去除，所以在Excel显示时会出现？号。

import csv

movie_list =[]
for i in range(10):
    r = requests.get('https://movie.douban.com/top250?start={}&filter='.format(i*25), headers=hds)
    print(i,r.status_code)
    soup = BeautifulSoup(r.text,"lxml")
    movie_content = soup.find_all('div',class_="info")    
    for each in movie_content:
        movie_name = each.div.a.span.text
        movie_ename = each.div.a.contents[3].text.strip(' / ').replace(" ","")
        movie_htname = each.div.a.find('span', class_='other').text.strip(' / ').replace(" ","")
        
        moviebrief = each.find('div',class_='bd').p.text.strip().split('\n',maxsplit=1)
        director = moviebrief[0].replace(" ","")
        some = moviebrief[1].strip().replace(" ","")   ##例如：1994 / 美国 / 犯罪 剧情
        
        rate = each.find('span',class_='rating_num').text
        movie_list =[movie_name,movie_ename,movie_htname,director,some,rate]
        with open('movietop250.csv','a+',encoding='UTF-8',newline="") as csvfile:
            w = csv.writer(csvfile)
            w.writerow(movie_list)