豆瓣电影爬取
豆瓣电影top250的爬取
这个爬取相对来说比较简单,是需要分析列表页的规律,然后进入详情页即可
代码如下:
from urllib import request
from lxml import etree
#构造函数,抓取第i页信息
def crow(i):
# 构造第i页的网址
url='https://movie.douban.com/top250?start='+str(25*i)
# 发送请求,获得返回的html代码并保存在变量html中
html=request.urlopen(url).read().decode('utf-8')
#将返回的字符串格式的html代码转换成xpath能处理的对象
html=etree.HTML(html)
#先定位到li标签,datas是一个包含25个li标签的list,就是包含25部电影信息的list
datas = html.xpath('//ol[@class="grid_view"]/li')
a=0
for data in datas:
data_title=data.xpath('div/div[2]/div[@class="hd"]/a/span[1]/text()')
data_info=data.xpath('div/div[2]/div[@class="bd"]/p[1]/text()')
data_quote=data.xpath('div/div[2]/div[@class="bd"]/p[2]/span/text()')
data_score=data.xpath('div/div[2]/div[@class="bd"]/div/span[@class="rating_num"]/text()')
data_num=data.xpath('div/div[2]/div[@class="bd"]/div/span[4]/text()')
data_picurl=data.xpath('div/div[1]/a/img/@src')
print("No: "+str(i*25+a+1))
print(data_title)
#保存电影信息到txt文件,下载封面图片
with open('douban250.txt','a',encoding='utf-8')as f:
#封面图片保存路径和文件名
picname='F:/learn/python/python_workspace/data/top250/'+str(i*25+a+1)+'.jpg'
f.write("No: "+str(i*25+a+1)+'\n')
f.write(data_title[0]+'\n')
f.write(str(data_info[0]).strip()+'\n')
f.write(str(data_info[1]).strip()+'\n')
#因为发现有几部电影没有quote,所以这里加个判断,以免报错
if data_quote:
f.write(data_quote[0]+'\n')
f.write(data_score[0]+'\n')
f.write(data_num[0]+'\n')
f.write('\n'*3)
#下载封面图片到本地,路径为picname
request.urlretrieve(data_picurl[0],filename=picname)
a+=1
for i in range(10):
crow(i)
爬取豆瓣的热门电影
这个爬取过程比top250的爬取复杂,因为它是一个动态网页,没有1,2,3,4…d等明显的页数,虽然内容不是滑动缓存,但是看到加载两个字,基本上可以确定是ajax技术来实现的
然后就去寻找json文件:
打开https://www.json.cn/,我们可以把Response里面的东西copy到里面,就变成如下的形式,证实是一个json文件
查看Headers,url为https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0
点击加载,url就变为https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=20,再点击一次,变为https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=40,所以可以清楚的看到规律,我们就可以获取到列表页的信息
import requests
from urllib.parse import urlencode
import json
def get_movie_page(num):
data = {
'type': 'movie',
'tag': '热门',
'sort': 'recommend',
'page_limit': 20,
'page_start':num
}
url = 'https://movie.douban.com/j/search_subjects?' + urlencode(data)
response = requests.get(url)
return response.text
def parse_movie(html):
#将json类型loads成python的字典类型
movie = json.loads(html)
result = []
if movie and 'subjects' in movie.keys():
for item in movie.get('subjects'):
film = {
'rate': item.get('rate'),
'title': item.get('title'),
'url': item.get('url'),
'cover': item.get('cover')
}
result.append(film)
print(result)
def main():
for i in range(5):
html = get_movie_page(i*20)
parse_movie(html)
if __name__ == '__main__':
main()