使用爬虫爬取豆瓣2016电影榜单中所有电影

2019-11-10 17:08:48

字体：大中小

来源：转载

供稿：网友

更多技术文章请访问我的个人博客

爬虫每日篇—-今天使用爬虫爬取豆瓣2016电影榜上所有电影信息，本来以为豆瓣这种大社区的防御做的会很好，看到是HTTPS协议，我都准备写一大串头部去模拟用户了，没想到一个urlopen就直接获取了，可能是网站设计者故意没做的很封闭，让我有机可乘。这是网址(https://www.douban.com/doulist/3516235/?start=0&sort=seq&sub_type=)，大家可以先看看。

如图，这就是网页的基本情况，大家可以先去看看网页源代码，我现在要做的就是把每个电影的整个`<div>`提取出来,代码直接用urlopen弄了出来，我先保存到一个文件里，要慢慢的测试，直接用文件里的代码就可以了，省得每次都抓取页面。

# -*- coding: utf-8 -*-import urllib2import refrom bs4 import BeautifulSoupdef get_html(url): result = urllib2.urlopen(url) return result.read()def save_file(text, filename): f= open(filename,'w') f.write(text) f.close()def read_file(filename): f = open(filename,'r') text = f.read() f.close() return textif __name__=='__main__': url = 'https://www.douban.com/doulist/3516235/' html = get_html(url) save_file(html,'thefile.txt')

下一步对抓取的代码开始提取，每个电影的介绍都包含在一对div中`<div class="bd doulist-subject"></div>`

使用BeautifulSoup来提取

html = read_file('thefile.txt') soup = BeautifulSoup(html) text = soup.find_all('div', class_='bd doulist-subject') save_file(str(text),'thefile.txt')

效果如下图

每个电影的信息都提取出来了，我想要的是电影的名称，评分，人员，上映日期，所以我只提取这些内容，大家可以按照自己的需求写。

def get_movie_one(movie): result = [] soup_all = BeautifulSoup(str(movie)) title = soup_all.find_all('div', class_='title') soup_title = BeautifulSoup(str(title[0])) for line in soup_title.stripped_strings: # 对获取到的<a>里的内容进行提取 PRint line num = soup_all.find_all('span', class_='rating_nums') print num[0].contents[0] info = soup_all.find_all('div', class_='abstract') soup_info = BeautifulSoup(str(info[0])) for line in soup_info.stripped_strings: # 对获取到的<a>里的内容进行提取 print line## 结果：一切都好6.4导演: 张猛主演: 张国立 / 姚晨 / 窦骁类型: 剧情 / 家庭制片国家/地区: 中国大陆年份: 2016

第一个已经成功了，现在就开始批量的操作，一共有425个电影，我每提取一个就存到文件里，这是第一页25个电影提取出来的效果。

下面是全部的代码，大家可以参考一下。

#!/usr/bin/env python# -*- coding=utf-8 -*-import sysreload(sys)sys.setdefaultencoding( "utf-8" )import urllib2import reimport timefrom bs4 import BeautifulSoupdef get_html(url): #通过url获取网页内容 result = urllib2.urlopen(url) return result.read() # save_file(result.read(), 'thefile.txt')def get_movie_all(html): #通过soup提取到每个电影的全部信息，以list返回 soup = BeautifulSoup(html) movie_list = soup.find_all('div', class_='bd doulist-subject') return movie_listdef get_movie_one(movie): result = [] # 用于存储提取出来的电影信息 soup_all = BeautifulSoup(str(movie)) title = soup_all.find_all('div', class_='title') soup_title = BeautifulSoup(str(title[0])) for line in soup_title.stripped_strings: # 对获取到的<a>里的内容进行提取 result.append(line) # num = soup_all.find_all('span', class_='rating_nums') num = soup_all.find_all('span') result.append(num[1].contents[0]) soup_num = BeautifulSoup(str(num[0])) for line in soup_num.stripped_strings: # 对获取到的<span>里的内容进行提取 result = result + line info = soup_all.find_all('div', class_='abstract') soup_info = BeautifulSoup(str(info[0])) result_str = "" for line in soup_info.stripped_strings: # 对获取到的<div>里的内容进行提取 result_str = result_str + line result.append(result_str) return result #返回获取到的结果def save_file(text, filename): #保存网页到文件 f= open(filename,'ab') f.write(text) f.close()def read_file(filename): #读取文件 f = open(filename,'r') text = f.read() f.close() return textif __name__=='__main__': for i in range(0,426,25): url = 'https://www.douban.com/doulist/3516235/?start='+str(i)+'&sort=seq&sub_type=' html = get_html(url) movie_list = get_movie_all(html) for movie in movie_list: #将每一页中的每个电影信息放入函数中提取 result = get_movie_one(movie) text = ''+'电影名：'+str(result[0])+' | 评分：'+str(result[1])+' | '+str(result[2])+'/n'+'/t' save_file(text,'thee.txt') time.sleep(5) #每隔5秒抓取一页的信息

更多技术文章请访问我的个人博客

上一篇：IO流_BufferedInputStream读取数据

下一篇：g++ 支持c11、c14的方法