python代理爬虫抓豆瓣电影数据(二)

建议看点击原文链接观看，公众号格式有问题！！！

代理Ip池生成函数

#生成代理池子，num为代理池容量
def proxypool(num):
    n = 1
    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')
    fp = open('host.txt', 'r')
    proxys = list()
    ips = fp.readlines()    
    while n<num:        
        for p in ips:
            ip = p.strip('\n').split('\t')
            proxy = 'http:\\' + ip[0] + ':' + ip[1]
            proxies = {'proxy': proxy}
            proxys.append(proxies)
            n+=1
    return proxys

下面开始爬

下面开始爬豆瓣电影的电影数据，我们要获取 电影名、演员、评分。

#爬豆瓣电影的代码
def fetch_movies(tag, pages, proxys):
    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP/豆瓣电影')
    url = 'https://movie.douban.com/tag/爱情?start={}'
    headers = {    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/'
                  '537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'}    
    #用csv文件保存数据
    csvFile = open("{}.csv".format(tag), 'a+', newline='', encoding='utf-8')
    writer = csv.writer(csvFile)
    writer.writerow(('name', 'score', 'peoples', 'date', 'nation', 'actor'))    
    for page in range(0, pages*(20+1), 20):
        url = url.format(page)        
        try:
            respones = requests.get(url, headers=headers, proxies=random.choice(proxys))            
            while respones.status_code!=200:
                respones = requests.get(url, headers=headers, proxies=random.choice(proxys))
            soup = BeautifulSoup(respones.text, 'lxml')
            movies = soup.find_all(name='div', attrs={'class': 'pl2'})            
            for movie in movies:
                movie = BeautifulSoup(str(movie), 'lxml')
                movname = movie.find(name='a')                
                # 影片名
                movname = movname.contents[0].replace(' ', '').strip('\n').strip('/').strip('\n')
                movInfo = movie.find(name='p').contents[0].split('/')                
                # 上映日期
                date = movInfo[0][0:10]                
                # 国家
                nation = movInfo[0][11:-2]
                actor_list = [act.strip(' ').replace('...', '') 
                              for act in movInfo[1:-1]]                
                # 演员
                actors = '\t'.join(actor_list)                
                # 评分
                score = movie.find('span', {'class': 'rating_nums'}).string                
                # 评论人数
                peopleNum = movie.find('span', {'class': 'pl'}).string[1:-4]
                writer.writerow((movname, score, peopleNum, date, nation, actors))        
                except:            
                    continue
        print('共有{}页，已爬{}页'.format(pages, int((page/20))))

执行上面函数的代码

import timestart = time.time() proxyPool= proxypool(50) fetch_movies('烂片', 111, proxyPool)end = time.time() lastT = int(end-start) print('耗时{}s'.format(lastT))

Perfect

后续文章我会写点对豆瓣电影数据的分析（会使用pandas库）

欢迎关注知乎 邓旭东HIT
              简书 邓旭东HIT