Python爬虫新手入门教学（一）：爬取豆瓣电影排行信息

雨点打透心脏的1/2处 2023-01-10 10:17 164阅读 0赞

# **前言** #

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# ![a2b6984089fbb14c9cf0ff607a09682a.png][] #

# **基本开发环境** #

*  Python 3.6
 *  Pycharm

# **相关模块的使用** #

*  requests
 *  parsel
 *  csv

安装Python并添加到环境变量，pip安装需要的相关模块即可。

# **爬虫基本思路** #

![27d4102d570f4821e8690cc83e75577f.png][]

# **一、明确需求** #

**爬取豆瓣Top250排行电影信息**

*  电影名字
 *  导演、主演
 *  年份、国家、类型
 *  评分、评价人数
 *  电影简介

# **二、发送请求** #

Python中的大量开源的模块使得编码变的特别简单，我们写爬虫第一个要了解的模块就是requests。

![ff7a5153af4102621edd622d1bb8b8f2.png][]

![ff8b242aefbd748c5cda7f6aaa00dab8.png][]

请求url地址，使用get请求，添加headers请求头，模拟浏览器请求，网页会给你返回response对象

# 模拟浏览器发送请求
    import requests
    url = 'https://movie.douban.com/top250'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    print(response)

![9a9a86ca86346c3e0a3a5933a6c01c99.png][]

*200是状态码，表示请求成功*

**2xx （成功）**  
**3xx （重定向）**  
**4xx（请求错误）**  
**5xx（服务器错误）**

**常见状态码**

*  200 - 服务器成功返回网页，客户端请求已成功。
 *  302 - 对象临时移动。服务器目前从不同位置的网页响应请求，但请求者应继续使用原有位置来进行以后的请求。
 *  304 - 属于重定向。自上次请求后，请求的网页未修改过。服务器返回此响应时，不会返回网页内容。
 *  401 - 未授权。请求要求身份验证。 对于需要登录的网页，服务器可能返回此响应。
 *  404 - 未找到。服务器找不到请求的网页。
 *  503 （服务不可用） 服务器目前无法使用（由于超载或停机维护）。通常，这只是暂时状态。

# **三、获取数据** #

import requests
    url = 'https://movie.douban.com/top250'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    print(response.text)

![54226d2a2d68fa912d57e41595c98ff9.png][]

**requests.get(url=url, headers=headers)** 请求网页返回的是response对象

**response.text：** 获取网页文本数据

**response.json：** 获取网页json数据

这两个是用的最多的，当然还有其他的

![90f9d5a9aba8762f74e8762f4a0dfe14.png][]

# **四、解析数据** #

常用解析数据方法： 正则表达式、css选择器、xpath、lxml…

常用解析模块：bs4、parsel…

我们使用的是 **parsel** 无论是在之前的文章，还是说之后的爬虫系列文章，我都会使用 **parsel** 这个解析库，无它就是觉得它比bs4香。

**parsel** 是第三方模块，**pip install parsel** 安装即可

parsel 可以使用 css、xpath、re解析方法

![a5d85c9211dd55629d72da6fdf553a2f.png][]

所有的电影信息都包含在 **li** 标签当中。

# 把 response.text 文本数据转换成 selector 对象
    selector = parsel.Selector(response.text)
    # 获取所有li标签
    lis = selector.css('.grid_view li')
    # 遍历出每个li标签内容
    for li in lis:
        # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有
        title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串
        movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表
        star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
        movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']
        movie_time = movie_info[0]  # 电影上映时间
        movie_country = movie_info[1]   # 哪个国家的电影
        movie_type = movie_info[2]     # 什么类型的电影
        rating_num = li.css('.rating_num::text').get()   # 电影评分
        people = li.css('.star span:nth-child(4)::text').get()   # 评价人数
        summary = li.css('.inq::text').get()   # 一句话概述
        dit = {
            '电影名字': title,
            '参演人员': star,
            '上映时间': movie_time,
            '拍摄国家': movie_country,
            '电影类型': movie_type,
            '电影评分': rating_num,
            '评价人数': people,
            '电影概述': summary,
        }
        # pprint 格式化输出模块
        pprint.pprint(dit)

![ff233071b779384cd87d0d5bc1199e4c.png][]

以上的知识点使用到了

*  parsel 解析模块的方法
 *  for 循环
 *  css 选择器
 *  字典的创建
 *  列表取值
 *  字符串的方法：分割、替换等
 *  pprint 格式化输出模块

所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。

# **五、保存数据（数据持久化）** #

常用的保存数据方法 **with open**

像豆瓣电影信息这样的数据，保存到Excel表格里面会更好。

所以需要使用到 **csv** 模块

# csv模块保存数据到Excel
    f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')
    csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',
                                               '电影评分', '评价人数', '电影概述'])
    
    csv_writer.writeheader()    # 写入表头

![ec9fa6179a6f4ed32934cdefd2d7639c.png][]

![0504c6e7f14f5ff07ba7c13f60d62863.png][]

这就是爬取了数据保存到本地了。这只是一页的数据，爬取数据肯定不只是爬取一页数据。想要实现多页数据爬取，就要分析网页数据的url地址变化规律。

![567b766d7be136cda44a7b156abdd462.png][]

可以清楚看到每页url地址是 25 递增的，使用for循环实现翻页操作

for page in range(0, 251, 25):
        url = f'https://movie.douban.com/top250?start={page}&filter='

# **完整实现代码** #

""""""
    import pprint
    import requests
    import parsel
    import csv
    '''
    1、明确需求:
        爬取豆瓣Top250排行电影信息
            电影名字
            导演、主演
            年份、国家、类型
            评分、评价人数
            电影简介
    '''
    # csv模块保存数据到Excel
    f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')
    csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',
                                               '电影评分', '评价人数', '电影概述'])
    
    csv_writer.writeheader()    # 写入表头
    
    # 模拟浏览器发送请求
    for page in range(0, 251, 25):
        url = f'https://movie.douban.com/top250?start={page}&filter='
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
        }
        response = requests.get(url=url, headers=headers)
        # 把 response.text 文本数据转换成 selector 对象
        selector = parsel.Selector(response.text)
        # 获取所有li标签
        lis = selector.css('.grid_view li')
        # 遍历出每个li标签内容
        for li in lis:
            # 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个  getall() 输出形式是列表获取所有
            title = li.css('.hd a span:nth-child(1)::text').get()   # get()输出形式是 字符串
            movie_list = li.css('.bd p:nth-child(1)::text').getall()     # getall() 输出形式是列表
            star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
            movie_info = movie_list[1].strip().split('\xa0/\xa0')   # ['1994', '美国', '犯罪 剧情']
            movie_time = movie_info[0]  # 电影上映时间
            movie_country = movie_info[1]   # 哪个国家的电影
            movie_type = movie_info[2]     # 什么类型的电影
            rating_num = li.css('.rating_num::text').get()   # 电影评分
            people = li.css('.star span:nth-child(4)::text').get()   # 评价人数
            summary = li.css('.inq::text').get()   # 一句话概述
            dit = {
                '电影名字': title,
                '参演人员': star,
                '上映时间': movie_time,
                '拍摄国家': movie_country,
                '电影类型': movie_type,
                '电影评分': rating_num,
                '评价人数': people,
                '电影概述': summary,
            }
            pprint.pprint(dit)
            csv_writer.writerow(dit)

# **实现效果** #

![92b00b5c87848e6d2c52476ce291a062.png][]

![1418df6a42b082d2b86f6ef9c12ab34e.png][]

![20210129185401950.gif][]

[a2b6984089fbb14c9cf0ff607a09682a.png]: /images/20221119/1c682ac6f72c496bbb000fe04fe4587d.png
[27d4102d570f4821e8690cc83e75577f.png]: https://img-blog.csdnimg.cn/img_convert/27d4102d570f4821e8690cc83e75577f.png
[ff7a5153af4102621edd622d1bb8b8f2.png]: https://img-blog.csdnimg.cn/img_convert/ff7a5153af4102621edd622d1bb8b8f2.png
[ff8b242aefbd748c5cda7f6aaa00dab8.png]: https://img-blog.csdnimg.cn/img_convert/ff8b242aefbd748c5cda7f6aaa00dab8.png
[9a9a86ca86346c3e0a3a5933a6c01c99.png]: https://img-blog.csdnimg.cn/img_convert/9a9a86ca86346c3e0a3a5933a6c01c99.png
[54226d2a2d68fa912d57e41595c98ff9.png]: https://img-blog.csdnimg.cn/img_convert/54226d2a2d68fa912d57e41595c98ff9.png
[90f9d5a9aba8762f74e8762f4a0dfe14.png]: https://img-blog.csdnimg.cn/img_convert/90f9d5a9aba8762f74e8762f4a0dfe14.png
[a5d85c9211dd55629d72da6fdf553a2f.png]: https://img-blog.csdnimg.cn/img_convert/a5d85c9211dd55629d72da6fdf553a2f.png
[ff233071b779384cd87d0d5bc1199e4c.png]: https://img-blog.csdnimg.cn/img_convert/ff233071b779384cd87d0d5bc1199e4c.png
[ec9fa6179a6f4ed32934cdefd2d7639c.png]: https://img-blog.csdnimg.cn/img_convert/ec9fa6179a6f4ed32934cdefd2d7639c.png
[0504c6e7f14f5ff07ba7c13f60d62863.png]: https://img-blog.csdnimg.cn/img_convert/0504c6e7f14f5ff07ba7c13f60d62863.png
[567b766d7be136cda44a7b156abdd462.png]: https://img-blog.csdnimg.cn/img_convert/567b766d7be136cda44a7b156abdd462.png
[92b00b5c87848e6d2c52476ce291a062.png]: https://img-blog.csdnimg.cn/img_convert/92b00b5c87848e6d2c52476ce291a062.png
[1418df6a42b082d2b86f6ef9c12ab34e.png]: https://img-blog.csdnimg.cn/img_convert/1418df6a42b082d2b86f6ef9c12ab34e.png
[20210129185401950.gif]: https://img-blog.csdnimg.cn/20210129185401950.gif