Python3爬虫实战中爬取豆瓣电影的方法是什么

2024-11-17 技术教程

这篇文章将为大家详细讲解有关Python3爬虫实战中爬取豆瓣电影的方法是什么，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

爬虫又称为网页蜘蛛，是一种程序或脚本。

但重点在于，它能够按照一定的规则，自动获取网页信息。

爬虫的基本原理——通用框架

1.挑选种子URL；

2.讲这些URL放入带抓取的URL列队；

3.取出带抓取的URL，下载并存储进已下载网页库中。此外，讲这些URL放入带抓取URL列队，进入下一循环。

4.分析已抓取列队中的URL，并且将URL放入带抓取URL列队，从而进去下一循环。

爬虫获取网页信息和人工获取信息，其实原理是一致的。

如我们要获取电影的“评分”信息

人工操作步骤：

1.获取电影信息的网页；

2.定位（找到）要评分信息的位置；

3.复制、保存我们想要的评分数据。

爬虫操作步骤：

1.请求并下载电影页面信息；

2.解析并定位评分信息；

3.保存评分数据。

爬虫的基本流程

简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面后，我们可以抽取我们想要的那部分信息，并存储在指定文档或数据库中，这样，我们想要的信息会被我们“爬”下来了。

python中用于爬虫的包很多，如bs4，urllib，requests等等。这里我们用requests+xpath的方式，因为简单易学，像BeautifulSoup还是有点难的。

下面我们就使用requests和xpath来爬取豆瓣电影中的“电影名”、“导演”、“演员”、“评分”等信息。

安装requests和lxml库：

pipinstallrequestspipinstalllxml

一、导入模块

#-*-coding:utf-8-*-importrequestsfromlxmlimportetreeimporttime#这里导入时间模块，以免豆瓣封你IP

二、获取豆瓣电影目标网页并解析

爬取豆瓣电影《神秘巨星》上的一些信息，地址

https://movie.douban.com/subject/26942674/?from=showing

#-*-coding:utf-8-*-importrequestsfromlxmlimportetreeimporttimeurl='https://movie.douban.com/subject/26942674/'data=requests.get(url).texts=etree.HTML(data)#给定url并用requests.get()方法来获取页面的text，用etree.HTML()#来解析下载的页面数据“data”。

1.获取电影名称。

获取电影的xpath信息并获得文本

s.xpath('元素的xpath信息/text()')

这里的xpath信息要手动获取，获取方式如下：

1.如果你是用谷歌浏览器的话，鼠标“右键”–>“检查元素”；

2.Ctrl+Shift+C将鼠标定位到标题；

3.“右键”–>“Copy”–>“Copy Xpath”就可以复制xpath。

这样，我们就把电影标题的xpath信息复制下来了。

//*[@id="content"]/h2/span[1]

放到代码中并打印信息

#-*-coding:utf-8-*-importrequestsfromlxmlimportetreeimporttimeurl='https://movie.douban.com/subject/26942674/'data=requests.get(url).texts=etree.HTML(data)film_name=s.xpath('//*[@id="content"]/h2/span[1]/text()')print("电影名:",film_name)

这样，我们爬取豆瓣电影中《神秘巨星》的“电影名称”信息的代码已经完成了，可以在eclipse中运行代码。

得到如下结果：

电影名:['神秘巨星SecretSuperstar']

OK，迈出了第一步，我们继续抓取导演、主演、评分；

film_name=s.xpath('//*[@id="content"]/h2/span[1]/text()')#电影名director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧actor1=s.xpath('//*[@id="info"]/span[3]/span[2]/a[1]/text()')#主演1actor2=s.xpath('//*[@id="info"]/span[3]/span[2]/a[2]/text()')#主演2actor3=s.xpath('//*[@id="info"]/span[3]/span[2]/a[3]/text()')#主演3actor4=s.xpath('//*[@id="info"]/span[3]/span[2]/a[4]/text()')#主演4movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长

观察上面的代码，发现获取不同主演时，区别只在于“a[x]”中“x”的值不同。实际上，要一次性获取所有主演信息时，用不加数字的“a”即可获取。

如下：

actors=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#所有主演

所以我们修改好的完整代码如下：

#-*-coding:utf-8-*-importrequestsfromlxmlimportetreeimporttimeurl1='https://movie.douban.com/subject/26942674/'data=requests.get(url1).texts=etree.HTML(data)film_name=s.xpath('//*[@id="content"]/h2/span[1]/text()')#电影名director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#主演movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长#由于导演有时候不止一个人，所以我这里以列表的形式输出ds=[]fordindirector:ds.append(d)#由于演员不止一个人，所以我这里以列表的形式输出acs=[]forainactor:acs.append(a)print('电影名:',film_name)print('导演:',ds)print('主演:',acs)print('片长:',movie_time)

结果输出：

电影名:['神秘巨星SecretSuperstar']导演:['阿德瓦·香登']主演:['塞伊拉·沃西','梅·维贾','阿米尔·汗','拉杰·阿晶','提斯·沙马','卡比尔·谢赫','法如克·贾法尔','马努杰·沙玛','莫娜·安伯加卡尔','尼基塔·阿南德','尚','莫纳利·塔库尔']片长:['150分钟']

怎么样，是不是很简单啊。赶快去试试吧~~~

这里顺便补充点基础知识：

Requests常用的七种方法：

目前，我们只需要掌握最常用的requests.get()方法就好了。

requests.get()的使用方法

importrequestsurl='https://www.baidu.com'data=requests.get(url)#使用get方法发送请求，返回汗网页数据的Response并存储到对象data中

Repsonse对象的属性：

data.status_code：http请求的返回状态，200表示连接成功；

data.text：返回对象的文本内容；

data.content：猜测返回对象的二进制形式；

data.encoding：返回对象的编码方式；

data.apparent_encoding：响应内容编码方式。