python

超轻量级php框架startmvc

Python实现的爬取豆瓣电影信息功能案例

更新时间:2020-07-30 17:06:01 作者:startmvc
本文实例讲述了Python实现的爬取豆瓣电影信息功能。分享给大家供大家参考,具体如下:本

本文实例讲述了Python实现的爬取豆瓣电影信息功能。分享给大家供大家参考,具体如下:

本案例的任务为,爬取豆瓣电影top250的电影信息(包括序号、电影名称、导演和主演、评分以及经典台词),并将信息作为字典形式保存进txt文件。这里只用到requests库,没有用到beautifulsoup库

step1:首先获取每一页的源代码,用requests.get函数获取,为了防止请求错误,使用try...except..


def getpage(url):
 try:
 res=requests.get(url)
 if res.status_code==200:
 return res.text
 return None
 except RequestException:
 return None

step2:做每一页的网址解析,打开原网址https://movie.douban.com/top250?,查看网页源代码,可以看到每一个电影的源代码都是从<li>开始,在</li>处结束,写好正则表达式以后爬到的列表的每一条item都有五个元素,因此将其写成字典的形式,这里用到yield函数(关于yield函数的用法,廖老师的有一篇文章比较好懂https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/)

对单个网页的进行解析的代码如下:


def parsepage(html):
 pat=re.compile('<li>.*?<em class="">(.*?)</em>.*?<img width="100" alt="(.*?)" src=.*?<p class="">'
 +'(.*?)</p>.*?property="v:average">(.*?)</span>.*?<span class="inq">(.*?)</span>.*?</li>',re.S)
 items=re.findall(pat,html)
 for item in items:
 yield{
 'index':item[0],
 'title':item[1],
 'stars':item[2].strip(),
 'score':item[3],
 'concept':item[4]
 }

下面的代码是将每一个item写入文件,这里encoding='utf-8' 和ensure_ascii=False都是使写入文件时中文能保持不变,json.dumps可以将(字典)对象转化成字符串(但前面要先import json),with open的第二个参数为a,表示每次写入时,是往后追加(续接),而不是后一次写入将之前内容覆盖,\n是指要每一次写入一个item之后要换行。


def write_tofile(content):
 with open('doubanfilms.txt','a',encoding='utf-8' ) as f:
 f.write(json.dumps(content,ensure_ascii=False)+'\n')
 f.close()

最后,需要用循环语句将每一页(共10页)内容都进行以上操作。这里,第二页的网址就是在第一页的url上加上一个start=25, 第三页是加上start=50,也就是每一页的start=为25*i。最后一段代码如下:


def main():
 url="https://movie.douban.com/top250?"
 for i in range(0,9):
 url_i=url+'start='+str(25*i)
 html_i=getpage(url_i)
 for item in parsepage(html_i):
 print(item)
 write_tofile(item)
if __name__ == '__main__':
 main()

当然,这一段代码还有一种写法:


def main(start):
 url="https://movie.douban.com/top250?start="+str(start)
 html=getpage(url)
 for item in parsepage(html):
 print(item)
 write_tofile(item)
if __name__ == '__main__':
 for i in range(10):
 main(i*10)

如果想让你的程序跑的更快,可以用多线程爬虫(当然这里其实没有必要):


#在最开始加载Pool包
from multiprocessing import Pool
#最后的执行段改为:
if __name__ == '__main__':
 for i in range(10):
 main(i*10)
 pool=Pool() #在循环外写
 pool.map(main,[i*10 for i in range (10)])

Python 爬取 豆瓣电影信息