Python实战 | 手把手教你爬取豆瓣电影 Top 250（附全部代码)

大家好，祝大家一天好心情......

本次python实战，主要目标是利用python爬取豆瓣电影 Top 250信息，如上图所示。这些信息主要包括排名、片名、评分、上映时间、主演等信息。爬取的网址url是https://movie.douban.com/top250，爬取后的结果会保存在csv文件里面。

01

如何准备爬虫环境？

其实不难

环境：MAC + Python3.6 ;  IDE： Pycharm.  具体使用的模块如下。

import requests
import re
import json

但是如果你的系统上安装了anaconda，模块requests已经安装完成，但是 pycharm不能识别。

此时，只需要使用preferences直接进行安装，入下图所示，点击+，直接安装即可。

02

爬虫分析真的很重要

准备工作

我们的目标是爬取豆瓣电影 Top 250，打开网页发现共10个页面。

也就是说我们需要解析10个页面，使用一个for循环来实现。

当点击第二页时发现，网址也发生了变化，比之前多了参数start=25，

具体的网址是  https://movie.douban.com/top250?start=25&filter=，显示的电影排名是从26到50，如图所示

根据以上分析，我们可以使用star作为循环计数器。

如果显示的是star是n，则显示的电影排名是n+1~n+25,每页显示25个。

具体代码实现如下：

if __name__ == '__main__':
    #循环10次
    for i in range(10):
        main(start= i* 25)

03

如何爬取某一个页面？

开始爬数据

对于每一个页面的爬取，我们使用的requests库。

Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库。它比urllib更加方便，可以节约我们大量的工作。（用了requests之后，你基本都不愿意用urllib了）一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。

默认安装好python之后，是没有安装requests模块的，需要单独通过pip安装或者使用pycharm软件安装（如上文所示）.

直接使用库requests中的get方法对目标网址发出申请。为了防止请求的页面没有成功，我们添加了捕获异常的代码块try,except。

另外，如果多次爬取同一个网址，您的ip可能被封，不能在爬取任何信息。

为了解决此问题，本次在代码中设置了代理信息，具体代码请关注人工智能与大数据生活(data_circle)，回复 ”豆瓣电影“ 获得全部代码。

`python`
def get_one_page(url):
    '''
        抓取第一页内容
    :return: 请求的页面的信息
    '''

    try:
       
        response = requests.get(url,headers=headers)

        if response.status_code == 200:
            return response.text

        return None
    except RequestException:
        return None

04

开始真正的页面解析

这很重要

当爬取到想要的信息以后，就可以对其解析，然后提取想要的信息。

常见的方法有很多，比如正则表达式、xpath解析等。本文是使用正则表达式进行解析。

使用google浏览器，右键选择检查，查看需要爬取的网址源代码，具体如下。

从图可得知，每一部电影的源代码是一个节点<li>节点，里面包含了所有的信息。比如在之后有一个子节点em里面包含了排名信息26. 

然后，我们用正则表达式提取排名。

首先 使用<li>定位到包含电影信息的节点，然后使用通配符找到em节点，在使用非贪婪匹配来提取包括排名的信息，26.具体代码如下。

<li>.*?<em.*?\"\">(.*?)</em>

按照此方法，我们以此提取网页中的影片名称，比如《霸王别姬》、评分信息等，代码如下：

`python`
def parse_one_page(html):
    '''
         使用正则表达式解析页面信息

    :param html:
    :return:
    '''
    items = re.findall(pattern,html)

    print(items)
    #yield函数，生成字典格式更加好看
    for itme in items:
        yield{
            'range': itme[0],
            'image': itme[1],
            'title': itme[2],
            'infor': itme[3],
            'rating':itme[4],
            'intro':itme[5]
        }

最后的结果如下：

05

如何保存爬取的信息？

最后一步

解析后的结果，我们使用write函数写入csv文件中，代码如下：

def write_to_file(content):
    '''

          保存结果到CSV文件
    :param content:
    :return: 无
    '''

    with open('douban_movie_250.csv','a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n')

本次实战中，我们通过爬取豆瓣电影 Top 250，了解了requests和正则表达式的用法。