網(wǎng)站爬取的流程圖：

實現(xiàn)項目我們需要運用以下幾個知識點

一、獲取網(wǎng)頁
1.找網(wǎng)頁規(guī)律；
2.使用 for 循環(huán)語句獲得網(wǎng)站前4頁的網(wǎng)頁鏈接；
3.使用 Network 選項卡查找Headers信息；
4.使用 requests.get() 函數(shù)帶著 Headers 請求網(wǎng)頁。

二、解析網(wǎng)頁
1.使用 BeautifulSoup 解析網(wǎng)頁；
2.使用 BeautifulSoup 對象調(diào)用 find_all() 方法定位包含單部電影全部信息的標(biāo)簽；
3.使用 Tag.text 提取序號、電影名、評分、推薦語；
4.使用 Tag['屬性名'] 提取電影詳情鏈接。

三、存儲數(shù)據(jù)
1.使用 with open() as … 創(chuàng)建要寫入內(nèi)容的 csv 文件；
2.使用 csv.DictWriter() 將文件對象轉(zhuǎn)換為 DictWriter 對象；
3.參數(shù) fieldnames 用來設(shè)置 csv 文件的表頭；
4.使用 writeheader() 寫入表頭；
5.使用 writerows() 將內(nèi)容寫入 csv 文件。

實現(xiàn)代碼：

import csvimport requestsfrom bs4 import BeautifulSoup# 設(shè)置列表，用以存儲每部電影的信息data_list = []# 設(shè)置請求頭headers = {    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'}# 使用 for 循環(huán)遍歷取值范圍為 0~3 的數(shù)據(jù)for page_number in range(4):    # 設(shè)置要請求的網(wǎng)頁鏈接    url = 'https://movie.douban.com/top250?start={}&filter='.format(page_number * 25)    # 請求網(wǎng)頁    movies_list_res = requests.get(url, headers=headers)    # 解析請求到的網(wǎng)頁內(nèi)容    bs = BeautifulSoup(movies_list_res.text, 'html.parser')    # 搜索網(wǎng)頁中所有包含單部電影全部信息的 Tag    movies_list = bs.find_all('div', class_='item')    # 使用 for 循環(huán)遍歷搜索結(jié)果    for movie in movies_list:        # 提取電影的序號        movie_num = movie.find('em').text        # 提取電影名        movie_name = movie.find('span').text        # 提取電影的評分        movie_score = movie.find("span",class_='rating_num').text        # 提取電影的推薦語        movie_instruction = movie.find("span",class_='inq').text        # 提取電影的鏈接        movie_link = movie.find('a')['href']        # 將信息添加到字典中        movie_dict = {            '序號': movie_num,            '電影名': movie_name,            '評分': movie_score,            '推薦語': movie_instruction,            '鏈接': movie_link        }        # 打印電影的信息        print(movie_dict)        # 存儲每部電影的信息        data_list.append(movie_dict)# 新建 csv 文件，用以存儲電影信息with open('movies.csv', 'w', encoding='utf-8-sig') as f:    # 將文件對象轉(zhuǎn)換成 DictWriter 對象    f_csv = csv.DictWriter(f, fieldnames=['序號', '電影名', '評分', '推薦語', '鏈接'])    # 寫入表頭與數(shù)據(jù)    f_csv.writeheader()    f_csv.writerows(data_list)

代碼分析：

（1）通過觀察網(wǎng)站一頁的電影數(shù)，可以發(fā)現(xiàn)一頁只有 25 部電影的信息。

也就是說我們需要爬取網(wǎng)站前4頁（100 = 25*4）的電影信息。

這里我們使用了遍歷，爬取前四頁的數(shù)據(jù)。

（2）通過快捷鍵打開網(wǎng)頁的開發(fā)者工具（Windows 用戶可以在瀏覽器頁面下按 Ctrl + Shift + I 鍵或者直接F12喚出瀏覽器開發(fā)者工具，Mac 用戶的快捷鍵為 command + option + I）。

接著使用開發(fā)者工具中的指針工具，大致查看一下前兩部電影中，需爬取的信息所在位置，觀察一下其中是否有什么規(guī)律。

可以發(fā)現(xiàn)第一部電影里序號、電影名、評分、推薦語以及詳情鏈接在class屬性值為"item"的標(biāo)簽里。

（3）豆瓣電影 Top250 的 Robots 協(xié)議

 并沒有看到Disallow: /Top250，這說明可以對這個網(wǎng)頁進(jìn)行爬取。

（4）在互聯(lián)網(wǎng)世界中，網(wǎng)絡(luò)請求會將瀏覽器信息儲存在請求頭（Request Header）當(dāng)中。

只要我們將瀏覽器信息復(fù)制下來，在爬蟲程序只要在發(fā)起請求時，設(shè)置好與請求頭對應(yīng)的參數(shù)，即可成功偽裝成瀏覽器。

（5）代碼思路

1）熟練地使用開發(fā)者工具的指針工具，可以很方便地幫助我們定位數(shù)據(jù)。

2）用指針工具定位到各個數(shù)據(jù)所在位置后，查看它們的規(guī)律。

3）想要提取的標(biāo)簽如果具有屬性，可以使用 Tag.find(HTML元素名, HTML屬性名='')來提?。粵]有屬性的話，可以在這個標(biāo)簽附近找到一個有屬性的標(biāo)簽，然后再進(jìn)行 find() 提取。

通過上述步驟將信息爬取下來后，就走到我們爬蟲的最后一步——存儲數(shù)據(jù)。

（6）存儲數(shù)據(jù)

1）調(diào)用 csv 模塊中類 DictWriter 的語法為：csv.DictWriter(f, fieldnames)。語法中的參數(shù) f 是 open() 函數(shù)打開的文件對象；參數(shù) fieldnames 用來設(shè)置文件的表頭；

2）執(zhí)行csv.DictWriter(f, fieldnames)后會得到一個 DictWriter 對象；

3）得到的 DictWriter 對象可以調(diào)用 writeheader() 方法，將 fieldnames 寫入 csv 的第一行；

4）最后，調(diào)用 writerows() 方法將多個字典寫進(jìn) csv 文件中。

運行結(jié)果：

 生成的CSV文件：

總結(jié)

到此這篇關(guān)于用python爬取豆瓣前一百電影的文章就介紹到這了,更多相關(guān)python爬取豆瓣電影內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論