ichenchao

原文:https://zhaoolee.com/GBlog/2019/07/02/spider-douban/

有人想学一点编程, 但是一直没有找到感兴趣的切入点,可以简单的爬虫入手! 几十行代码, 轻松爬取豆瓣Top250电影数据,即刻体会编程的乐趣…

给人用的爬虫工具Requests

工具介绍:

Python3(python是很容易上手的编程语言,非常适合编程新手)
Requests(这是Python的一个开发库, 简洁好用)
lxml (可以通过xpath语法, 按需求提取内容)

运行效果

爬虫运行效果

自动生成的文件

写入的文件

关于Requests

让Http为人类服务

豆瓣电影Top250

获取的电影海报(长图预警):

1_60.png
61_120.png

121_180.png

181_250.png

有详细注释的源码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
import os
import requests
from lxml import etree

# 负责下载电影海报
def download_img(db_id, title, img_addr, headers):

# 如果不存在图片文件夹,则自动创建
if os.path.exists("./Top250_movie_images/"):
pass
else:
os.makedirs("./Top250_movie_images/")

# 获取图片二进制数据
image_data = requests.get(img_addr, headers=headers).content
# 设置海报存存储的路径和名称
image_path = "./Top250_movie_images/" + db_id[0] + "_" + title[0] + \'.jpg\'
# 存储海报图片
with open(image_path, "wb+") as f:
f.write(image_data)



# 根据url获取数据,并打印到屏幕上,并保存为文件
def get_movies_data(url, headers):

# 获取页面的响应内容
db_response = requests.get(url, headers=headers)

# 将获得的源码转换为etree
db_reponse_etree = etree.HTML(db_response.content)

# 提取所有电影数据
db_movie_items = db_reponse_etree.xpath(\'//*[@id="content"]/div/div[1]/ol/li/div[@class="item"]\')

# 遍历电影数据列表,
for db_movie_item in db_movie_items:

# 这里用到了xpath的知识
db_id = db_movie_item.xpath(\'div[@class="pic"]/em/text()\')
db_title = db_movie_item.xpath(\'div[@class="info"]/div[@class="hd"]/a/span[1]/text()\')
db_score = db_movie_item.xpath(\'div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()\')
db_desc = db_movie_item.xpath(\'div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span[@class="inq"]/text()\')
db_img_addr = db_movie_item.xpath(\'div[@class="pic"]/a/img/@src\')
print("编号:",db_id,"标题:",db_title, "评分:",db_score,"电影描述:", db_desc)
# a表示追加模式, b表示以二进制方式写入, + 表示如果文件不存在则自动创建
with open("./douban_movie_top250.txt", "ab+") as f:
tmp_data = "编号:"+str(db_id)+"标题:"+str(db_title)+"评分:"+str(db_score)+"电影描述:"+ str(db_desc)+"\n"
f.write(tmp_data.encode("utf-8"))

db_img_addr = str(db_img_addr[0].replace("\\'", ""))
download_img(db_id, db_title, db_img_addr, headers)


def main():
# 使用列表生成式,生成待爬取的页面url的列表
urls = ["https://movie.douban.com/top250?start="+str(i*25) for i in range(10)]

# 设置请求头
headers = {
# 设置用户代理头(为狼披上羊皮)
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
}

# 为避免重复运行程序,造成内容重复,这里把上次的文件清除(可跳过)
if os.path.isfile("./douban_movie_top250.txt"):
os.remove("./douban_movie_top250.txt")

# 从列表取出url进行爬取
for url in urls:
get_movies_data(url, headers)

if __name__ == \'__main__\':
main()

获取的数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242

分类:

技术点:

相关文章: