有了上次利用python爬虫抓取糗事百科的经验，这次自己动手写了个爬虫抓取豆瓣电影Top250的简要信息。
1.观察url
首先观察一下网址的结构 http://movie.douban.com/top250?start=0&filter=&type= ：
可以看到，问号?后有三个参数 start、filter、type，其中start代表页码，每页展示25部电影，0代表第一页，以此类推25代表第二页，50代表第三页...
filter顾名思义，是过滤已经看过的电影，filter和type在这里不重要，可以不管。
2.查看网页源代码
打开上面的网址，查看源代码，可以看到信息的展示结构如下：
1 <ol class="grid_view"> 2 <li> 3 <div class="item"> 4 <div class="pic"> 5 <em class="">1</em> 6 <a href="http://movie.douban.com/subject/1292052/"> 7 <img alt="肖申克的救赎" src="http://img3.douban.com/view/movie_poster_cover/ipst/public/p480747492.jpg" class=""> 8 </a> 9 </div> 10 <div class="info"> 11 <div class="hd"> 12 <a href="http://movie.douban.com/subject/1292052/" class=""> 13 <span class="title">肖申克的救赎</span> 14 <span class="title"> / The Shawshank Redemption</span> 15 <span class="other"> / 月黑高飞(港) / 刺激1995(台)</span> 16 </a> 17 18 19 <span class="playable">[可播放]</span> 20 </div> 21 <div class="bd"> 22 <p class=""> 23 导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br> 24 1994 / 美国 / 犯罪 剧情 25 </p> 26 27 28 <div class="star"> 29 <span class="rating5-t"><em>9.6</em></span> 30 <span>646374人评价</span> 31 </div> 32 33 <p class="quote"> 34 <span class="inq">希望让人自由。</span> 35 </p> 36 </div> 37 </div> 38 </div> 39 </li>
其中<em class="">1</em>代表排名，<span class="title">肖申克的救赎</span>代表电影名，其他信息的含义也很容易能看出来。
于是接下来可以写正则表达式：
1 pattern = re.compile(u'<div.*?class="item">.*?<div.*?class="pic">.*?' 2 + u'<em.*?class="">(.*?)</em>.*?' 3 + u'<div.*?class="info">.*?<span.*?class="title">(.*?)' 4 + u'</span>.*?<span.*?class="title">(.*?)</span>.*?' 5 + u'<span.*?class="other">(.*?)</span>.*?</a>.*?' 6 + u'<div.*?class="bd">.*?<p.*?class="">.*?' 7 + u'导演: (.*?) ' 8 + u'主演: (.*?)<br>' 9 + u'(.*?) / (.*?) / ' 10 + u'(.*?)</p>' 11 + u'.*?<div.*?class="star">.*?<em>(.*?)</em>' 12 + u'.*?<span>(.*?)人评价</span>.*?<p.*?class="quote">.*?' 13 + u'<span.*?class="inq">(.*?)</span>.*?</p>', re.S)
在此处flag参数re.S代表多行匹配。
3.使用面向对象的设计模式编码
代码如下：
1 # -*- coding:utf-8 -*-
2 __author__ = 'Jz'
3 import urllib2
4 import re
5 import sys
6
7 class MovieTop250:
8 def __init__(self):
9 #设置默认编码格式为utf-8
10 reload(sys)
11 sys.setdefaultencoding('utf-8')
12 self.start = 0
13 self.param = '&filter=&type='
14 self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64)'}
15 self.movieList = []
16 self.filePath = 'D:/coding_file/python_file/File/DoubanTop250.txt'
17
18 def getPage(self):
19 try:
20 URL = 'http://movie.douban.com/top250?start=' + str(self.start)
21 request = urllib2.Request(url = URL, headers = self.headers)
22 response = urllib2.urlopen(request)
23 page = response.read().decode('utf-8')
24 pageNum = (self.start + 25)/25
25 print '正在抓取第' + str(pageNum) + '页数据...'
26 self.start += 25
27 return page
28 except urllib2.URLError, e:
29 if hasattr(e, 'reason'):
30 print '抓取失败，具体原因：', e.reason
31
32 def getMovie(self):
33 pattern = re.compile(u'<div.*?class="item">.*?<div.*?class="pic">.*?'
34 + u'<em.*?class="">(.*?)</em>.*?'
35 + u'<div.*?class="info">.*?<span.*?class="title">(.*?)'
36 + u'</span>.*?<span.*?class="title">(.*?)</span>.*?'
37 + u'<span.*?class="other">(.*?)</span>.*?</a>.*?'
38 + u'<div.*?class="bd">.*?<p.*?class="">.*?'
39 + u'导演: (.*?) '
40 + u'主演: (.*?)<br>'
41 + u'(.*?) / (.*?) / '
42 + u'(.*?)</p>'
43 + u'.*?<div.*?class="star">.*?<em>(.*?)</em>'
44 + u'.*?<span>(.*?)人评价</span>.*?<p.*?class="quote">.*?'
45 + u'<span.*?class="inq">(.*?)</span>.*?</p>', re.S)
46 while self.start <= 225:
47 page = self.getPage()
48 movies = re.findall(pattern, page)
49 for movie in movies:
50 self.movieList.append([movie[0], movie[1], movie[2].lstrip(' / '),
51 movie[3].lstrip(' / '), movie[4],
52 movie[5], movie[6].lstrip(), movie[7], movie[8].rstrip(),
53 movie[9], movie[10], movie[11]])
54
55 def writeTxt(self):
56 fileTop250 = open(self.filePath, 'w')
57 try:
58 for movie in self.movieList:
59 fileTop250.write('电影排名：' + movie[0] + '\r\n')
60 fileTop250.write('电影名称：' + movie[1] + '\r\n')
61 fileTop250.write('外文名称：' + movie[2] + '\r\n')
62 fileTop250.write('电影别名：' + movie[3] + '\r\n')
63 fileTop250.write('导演姓名：' + movie[4] + '\r\n')
64 fileTop250.write('参与主演：' + movie[5] + '\r\n')
65 fileTop250.write('上映年份：' + movie[6] + '\r\n')
66 fileTop250.write('制作国家/地区：' + movie[7] + '\r\n')
67 fileTop250.write('电影类别：' + movie[8] + '\r\n')
68 fileTop250.write('电影评分：' + movie[9] + '\r\n')
69 fileTop250.write('参评人数：' + movie[10] + '\r\n')
70 fileTop250.write('简短影评：' + movie[11] + '\r\n\r\n')
71 print '文件写入成功...'
72 finally:
73 fileTop250.close()
74
75 def main(self):
76 print '正在从豆瓣电影Top250抓取数据...'
77 self.getMovie()
78 self.writeTxt()
79 print '抓取完毕...'
80
81 DouBanSpider = MovieTop250()
82 DouBanSpider.main()
代码比较简单，最后将信息写入一个文件，没有什么需要解释的地方。
4.运行截图
5.问题说明
打开文件浏览时发现有个别电影没有抓取下来或者信息中出现html代码，后来排查发现是因为豆瓣有部分电影的信息不全，缺少主演等导致html代码出现差异而导致正则表达式没有匹配到或者匹配出错。