抓取豆瓣电影TOP100
一、分析豆瓣top页面，构建程序结构
1.首先打开网页http://movie.douban.com/top250?start，也就是top页面
然后试着点击到top100的页面，注意带top100的链接依次为
http://movie.douban.com/top250?start=0http://movie.douban.com/top250?start=25http://movie.douban.com/top250?start=50http://movie.douban.com/top250?start=75
2.然后通过查看源码，发现电影名的代码如下：
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>
如图，因为有一些英文名等描述，通过正则抓取有些干扰，可能还需要后续过滤。
根据以上信息，此程序主要分以下3个步骤：
二、构建url地址池
依次写出代码
1.构建url地址池。代码如下：
import urllib2import re# ----------确定url地址池------------pre_url = 'http://movie.douban.com/top250?start='top_urls = []# 因为top100，每页25部电影，故为4页,从零开始for num in range(4): top_urls.append(pre_url + str(num * 25))
2.抓取top100电影名称
# ------------抓取top100电影名称----------top_content = []top_tag = re.compile(r'<span class="title">(.+?)</span>')for url in top_urls: content = urllib2.urlopen(url).read() pre_content = re.findall(top_tag, content) # 过滤不符合条件的list，得到最后的top100的list for item in pre_content: if item.find(' ') == -1: top_content.append(item) 3.打印输出
top_num = 1for item in top_content: print 'Top' + str(top_num) + ' ' + item top_num += 1
三、整理代码
我还是python新手，还没有太多的pythonic思想，也没有代码优化技巧，只能说是整理。
其次，个人习惯，在简单的代码里面我还是喜欢少用函数，尽量不隐藏代码的逻辑。
以下代码请参考，并欢迎提意见，希望得到大家的意见，谢谢！
整理后的代码如下：
# coding=utf-8'''本代码为自动抓取豆瓣top100电影代码@pre_url url地址前缀，在这里为http://movie.douban.com/top250?start=@top_urls url地址池@top_tag 为抓取电影名正则表达式'''import urllib2import repre_url = 'http://movie.douban.com/top250?start='top_urls = []top_tag = re.compile(r'<span class="title">(.+?)</span>')top_content = []top_num = 1# ----------确定url地址池------------# 因为top100，每页25部电影，故为4页,从零开始for num in range(4): top_urls.append(pre_url + str(num * 25))# ------------抓取top100电影名称，并打印输出----------top_tag = re.compile(r'<span class="title">(.+?)</span>')for url in top_urls: content = urllib2.urlopen(url).read() pre_content = re.findall(top_tag, content) # 过滤并打印输出 for item in pre_content: if item.find(' ') == -1: print 'Top' + str(top_num) + ' ' + item top_num += 1 抓取用户头像图片
import urllib.requestimport reimport time #获取输入的帖子单页htmldef getHtml2(url2): html2=urllib.request.urlopen(url2).read().decode('utf-8') return html2 #抽取图片相关列表，并下载图片def gettopic(html2): reg2=r'http://www.douban.com/group/topic//d+' topiclist=re.findall(reg2,html2) x=0 #限制下载的图片数 for topicurl in topiclist: x+=1 return topicurl #下载图片到本地def download(topic_page): reg3=r'http://img3.douban.com/view/group_topic/large/public/.+/.jpg' imglist=re.findall(reg3,topic_page) i=1 download_img=None for imgurl in imglist:#取图片ID为文件名 img_numlist=re.findall(r'p/d{7}',imgurl) for img_num in img_numlist: download_img=urllib.request.urlretrieve(imgurl,'D:/python/code/girls/%s.jpg'%img_num) time.sleep(1) i+=1 print(imgurl) return download_img #调用函数page_end=int(input('请输入结束时的页码：'))num_end=page_end*25num=0page_num=1while num<=num_end: html2=getHtml2('http://www.douban.com/group/kaopulove/discussion?start=%d'%num) topicurl=gettopic(html2) topic_page=getHtml2(topicurl) download_img=download(topic_page) num=page_num*25 page_num+=1 else: print('采集完成！') 
