python爬取豆瓣電影top250

来源:https://www.cnblogs.com/jyd0124/archive/2020/04/15/doub.html
-Advertisement-
Play Games

[toc] 1、分析網頁 當我們去爬取網頁時，首先要做的就是先分析網頁結構，然後就會發現相應的規律，如下所示： 生成鏈接：從網頁鏈接的規律中可得寫一個for迴圈即可生成它的鏈接，其中它的間隔為25，程式如下： 得到的結果如下： 2、請求伺服器 在爬取網頁之前，我們要向伺服器發出請求 2.1導入包 沒 ...


目錄

1、分析網頁

當我們去爬取網頁時，首先要做的就是先分析網頁結構，然後就會發現相應的規律，如下所示：
在這裡插入圖片描述
生成鏈接：從網頁鏈接的規律中可得寫一個for迴圈即可生成它的鏈接，其中它的間隔為25，程式如下：

for page in range (0,226,25):
    url ="https://movie.douban.com/top250?start=%s&filter="%page
    print (url)

得到的結果如下：
在這裡插入圖片描述

2、請求伺服器

在爬取網頁之前，我們要向伺服器發出請求

2.1導入包

沒有安裝requests包的要先進行安裝，步驟為：1.win+R運行——2.cmd回車——3.輸入命令pip install requests

2.2設置瀏覽器代理

在這裡插入圖片描述
設置瀏覽器代理的代碼如下：

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}

2.3請求伺服器格式

請求源代碼，向伺服器發出請求，如果在後面加上.text表示輸出文本內容，代碼如下圖所示：

requests.get(url = test_url, headers = headers)

2.4請求伺服器代碼彙總

import requests
#pip安轉 pip install requests————>win+r,運行————>cmd,回車，————>pip
test_url = 'https://movie.douban.com/top250?start=0&filter=' #''格式化，為字元串

#設置瀏覽器代理,它是一個字典
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}

#請求源代碼，向伺服器發出請求,200代表成功
reponse = requests.get(url = test_url, headers = headers).text
# 快捷鍵運行，Ctrl+Enter

3.xpath提取信息

3.1獲取xpath節點的方法

在這裡插入圖片描述

3.2xpath提取內容

from lxml import etree #導入解析庫
html_etree = etree.HTML(reponse) # 看成一個篩子，樹狀

3.2.1提取文本

當我們在提取標簽內的文本時，要在複製的xpath後面加上/text（）
如《霸王別姬》：

<span class="title">霸王別姬</span>

xpath為：

//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]

提取文字：

name = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')
print ("這是數組形式：",name)
print ("這是字元串形式：",name[0])

3.2.2提取鏈接

我們在提取鏈接時，需要在複製到的xpath後面加上/@href , 指定提取鏈接，

movie_url = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/@href')
print ("這是數組形式：",movie_url)
print ("這是字元串形式：",movie_url[0])

結果如下：
在這裡插入圖片描述

3.2.3提取標簽元素

提取標簽元素和提取鏈接的方法一樣，不過要在後面加上 /@class 就可以了，

rating = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[1]/@class')
print ("這是數組形式：",rating)
print ("這是字元串形式：",rating[0])

結果如下：
在這裡插入圖片描述

4.正則表達式

4.1提取固定位置的信息

正則表達式中用（.*?）來提取我們想要的信息，在使用正則表達式時，通常要先導入re這個包，舉例如下：

import re
test = "我是js"
text = re.findall("我是.*?",test)
print (text)

結果如下：
在這裡插入圖片描述

4.2匹配出數字

比如說我們要匹配出有多少人評價這部電影，我們可以這樣寫：

import re 
data = "1059232人評價"
num = re.sub(r'\D', "", data)
print("這裡的數字是:", num)

結果如下：
在這裡插入圖片描述

5、提取一頁中的所有信息

比如說我們這裡提取最後一頁的電影名稱，如下：

li = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li')
for item in li:
    name = item.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
    print (name)

結果如下：
在這裡插入圖片描述
按照這種方法，我們可以把所有的都爬取下來。

6、把內容寫入文本csv

代碼如下：

import csv
# 創建文件夾並打開
fp = open("./豆瓣top250.csv", 'a', newline='', encoding = 'utf-8-sig')
writer = csv.writer(fp) #我要寫入

# 寫入內容
writer.writerow(('排名', '名稱', '鏈接', '星級', '評分', '評價人數'))

#關閉文件
fp.close()

7、把所有代碼彙總

import requests, csv, re
from lxml import etree

#設置瀏覽器代理,它是一個字典
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}

# 創建文件夾並打開
fp = open("./豆瓣top250.csv", 'a', newline='', encoding = 'utf-8-sig')
writer = csv.writer(fp) #我要寫入
# 寫入內容
writer.writerow(('排名', '名稱', '鏈接', '星級', '評分', '評價人數'))

for page in range(0, 226, 25): #226
    print ("正在獲取第%s頁"%page)
    url = 'https://movie.douban.com/top250?start=%s&filter='%page
    
    #請求源代碼，向伺服器發出請求,200代表成功，回退對其，Ctrl+]
    reponse = requests.get(url = url, headers = headers).text
    # 快捷鍵運行，Ctrl+Enter
    html_etree = etree.HTML(reponse) # 看成一個篩子，樹狀
    # 過濾
    li = html_etree.xpath('//*[@id="content"]/div/div[1]/ol/li')
    for item in li:
        #排名
        rank = item.xpath('./div/div[1]/em/text()')[0]
        #電影名稱
        name = item.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
        #鏈接
        dy_url = item.xpath('./div/div[2]/div[1]/a/@href')[0]
        #評分
        rating = item.xpath('./div/div[2]/div[2]/div/span[1]/@class')[0]
        rating = re.findall('rating(.*?)-t', rating)[0]
        if len(rating) == 2:
            star = int(rating) / 10  #int()轉化為數字
        else:
            star = rating
    #     註釋ctrl+?

        rating_num = item.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
        content = item.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0]
        content = re.sub(r'\D', "", content)
#         print (rank, name, dy_url, star, rating_num, content)
        # 寫入內容
        writer.writerow((rank, name, dy_url, star, rating_num, content))
fp.close()

結果如下：
在這裡插入圖片描述
csv文件中的結果：
在這裡插入圖片描述
最後爬取結束。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Java 單線程代碼ThreadLocal串值問題
    ThreadLocal ThreadLocal 適用於變數線上程間隔離，而在方法或類間共用的場景。 代碼 1 @RestController 2 public class ThreadLocalController { 3 private static final ThreadLocal<Strin ...
  • 【Golang進階】指針的詳細講解
    指針是一個代表著某個記憶體地址的值, 這個記憶體地址往往是在記憶體中存儲的另一個變數的值的起始位置. Go語言對指針的支持介於Java語言和 C/C++ 語言之間, 它既沒有像Java那樣取消了代碼對指針的直接操作的能力, 也避免了 C/C++ 中由於對指針的濫用而造成的安全和可靠性問題. 指針地址和變數 ...
  • 通俗理解spring源碼（三）—— 獲取xml的驗證模式
    通俗理解spring源碼（三）—— 獲取xml的驗證模式 上一篇講到了xmlBeanDefinitionReader.doLoadBeanDefinitions(inputSource, encodedResource.getResource())方法。 protected int doLoadBe ...
  • [Go] 使用go mod進行依賴管理
    開啟兩個環境變數 go env -w GO111MODULE=ongo env -w GOPROXY=https://goproxy.cn,direct 在自己的項目里 go mod init 然後如果有引用github上的包 ， 直接go mod tidy ，就會自動安裝 golang開啟go m ...
  • python存csv中文亂碼問題
    這兩天做了一個小測試是抓的天氣信息本來想存資料庫，後來覺得還是存csv比較好，使用方便，但是在使用的過程中，發現存中文的時候會出現亂碼的情況，查了一下資料，跟大家分享一下python3中存csv亂碼的問題。 親測在python2中是不能設置這個編碼格式，不支持這個方式。 ...
  • 如何假裝黑客，使用python去批量破解朋友的網站密碼
    前言 文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。 PS：如有需要Python學習資料的小伙伴可以加點擊下方鏈接自行獲取http://t.cn/A6Zvjdun 如何破解iphone登陸密碼 今天看了一篇關於如何破解iphone ...
  • C++值多態：傳統多態與類型擦除之間
    值多態是一種介於傳統多態與類型擦除之間的多態實現方式，借鑒了值語義，保留了繼承，在單繼承的適用範圍內，程式和程式員都能從中受益。 ...
  • 泛型數組列表ArrayList
    泛型數組列表 為什麼要使用泛型數組列表 使用常規數組，界限固定，不易擴展。 int[]nums =new int[size]; 這個數組的長度固定為了size的大小。但如果使用數組列表就可以自動開闢空間，存放元素。 泛型數組列表ArrayList的定義 1.無參的 ArrayList integer ...
一周排行
    -Advertisement-
    Play Games
  • WPF 已知問題 監聽 WMI 事件導致觸摸失效
    示例項目結構 在 Visual Studio 中創建一個 WinForms 應用程式後，項目結構如下所示： MyWinFormsApp/ │ ├───Properties/ │ └───Settings.settings │ ├───bin/ │ ├───Debug/ │ └───Release/ ...
  • [STAThread]特性
    [STAThread] 特性用於需要與 COM 組件交互的應用程式，尤其是依賴單線程模型（如 Windows Forms 應用程式）的組件。在 STA 模式下，線程擁有自己的消息迴圈，這對於處理用戶界面和某些 COM 組件是必要的。 [STAThread] static void Main(stri ...
  • UWP WinUI3 傳入 AddHandler 的 RoutedEventHandler 類型與事件所需不匹配將拋出參數異常
    在WinForm中使用全局異常捕獲處理 在WinForm應用程式中，全局異常捕獲是確保程式穩定性的關鍵。通過在Program類的Main方法中設置全局異常處理，可以有效地捕獲並處理未預見的異常，從而避免程式崩潰。 註冊全局異常事件 [STAThread] static void Main() { / ...
  • .NET 多版本 WinForm 開源控制項庫 SunnyUI
    前言 給大家推薦一款開源的 Winform 控制項庫，可以幫助我們開發更加美觀、漂亮的 WinForm 界面。 項目介紹 SunnyUI.NET 是一個基於 .NET Framework 4.0+、.NET 6、.NET 7 和 .NET 8 的 WinForm 開源控制項庫，同時也提供了工具類庫、擴展 ...
  • .net core8 使用Swagger（附當前源碼）
    說明 該文章是屬於OverallAuth2.0系列文章，每周更新一篇該系列文章（從0到1完成系統開發）。 該系統文章，我會儘量說的非常詳細，做到不管新手、老手都能看懂。 說明：OverallAuth2.0 是一個簡單、易懂、功能強大的許可權+可視化流程管理系統。 有興趣的朋友，請關註我吧(*^▽^*) ...
  • WPF 什麼時候 VisualTreeHelper.GetDescendantBounds 將返回無窮大
    一、下載安裝 1.下載git 必須先下載並安裝git，再TortoiseGit下載安裝 git安裝參考教程：https://blog.csdn.net/mukes/article/details/115693833 2.TortoiseGit下載與安裝 TortoiseGit，Git客戶端，32/6 ...
  • C# 開源教程帶你輕鬆掌握數據結構與演算法
    前言 在項目開發過程中，理解數據結構和演算法如同掌握蓋房子的秘訣。演算法不僅能幫助我們編寫高效、優質的代碼，還能解決項目中遇到的各種難題。 給大家推薦一個支持C#的開源免費、新手友好的數據結構與演算法入門教程：Hello演算法。 項目介紹 《Hello Algo》是一本開源免費、新手友好的數據結構與演算法入門 ...
  • 第22篇 生成proto文件bat腳本
    1.生成單個Proto.bat內容 @rem Copyright 2016, Google Inc. @rem All rights reserved. @rem @rem Redistribution and use in source and binary forms, with or with ...
  • 記一次 .NET某上位機視覺程式 卡死分析
    一：背景 1. 講故事 前段時間有位朋友找到我，說他的窗體程式在客戶這邊出現了卡死，讓我幫忙看下怎麼回事？dump也生成了，既然有dump了那就上 windbg 分析吧。 二：WinDbg 分析 1. 為什麼會卡死 窗體程式的卡死，入口門檻很低，後續往下分析就不一定了，不管怎麼說先用 !clrsta ...
  • 醫學DICOM文件與PACS系統進行數據傳輸
    前言 人工智慧時代，人臉識別技術已成為安全驗證、身份識別和用戶交互的關鍵工具。 給大家推薦一款.NET 開源提供了強大的人臉識別 API，工具不僅易於集成，還具備高效處理能力。 本文將介紹一款如何利用這些API，為我們的項目添加智能識別的亮點。 項目介紹 GitHub 上擁有 1.2k 星標的 C# ...
所有分類