Python3爬蟲實戰中爬取豆瓣電影的方法是什么

這篇文章將為大家詳細講解有關Python3爬蟲實戰中爬取豆瓣電影的方法是什么，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

爬蟲又稱為網頁蜘蛛，是一種程序或腳本。

但重點在于，它能夠按照一定的規則，自動獲取網頁信息。

爬蟲的基本原理——通用框架

1.挑選種子URL；

2.講這些URL放入帶抓取的URL列隊；

3.取出帶抓取的URL，下載并存儲進已下載網頁庫中。此外，講這些URL放入帶抓取URL列隊，進入下一循環。

4.分析已抓取列隊中的URL，并且將URL放入帶抓取URL列隊，從而進去下一循環。

爬蟲獲取網頁信息和人工獲取信息，其實原理是一致的。

如我們要獲取電影的“評分”信息

人工操作步驟：

1.獲取電影信息的網頁；

2.定位（找到）要評分信息的位置；

3.復制、保存我們想要的評分數據。

爬蟲操作步驟：

1.請求并下載電影頁面信息；

2.解析并定位評分信息；

3.保存評分數據。

爬蟲的基本流程

簡單來說，我們向服務器發送請求后，會得到返回的頁面，通過解析頁面后，我們可以抽取我們想要的那部分信息，并存儲在指定文檔或數據庫中，這樣，我們想要的信息會被我們“爬”下來了。

python中用于爬蟲的包很多，如bs4，urllib，requests等等。這里我們用requests+xpath的方式，因為簡單易學，像BeautifulSoup還是有點難的。

下面我們就使用requests和xpath來爬取豆瓣電影中的“電影名”、“導演”、“演員”、“評分”等信息。

安裝requests和lxml庫：

pip install requests
pip install lxml

一、導入模塊

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time #這里導入時間模塊，以免豆瓣封你IP

二、獲取豆瓣電影目標網頁并解析

爬取豆瓣電影《神秘巨星》上的一些信息，地址

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

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time 
url = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url).text
s=etree.HTML(data)
#給定url并用requests.get()方法來獲取頁面的text，用etree.HTML()
#來解析下載的頁面數據“data”。

1.獲取電影名稱。

獲取電影的xpath信息并獲得文本

s.xpath('元素的xpath信息/text()')

這里的xpath信息要手動獲取，獲取方式如下：

1.如果你是用谷歌瀏覽器的話，鼠標“右鍵”–>“檢查元素”；

2.Ctrl+Shift+C將鼠標定位到標題；

3.“右鍵”–>“Copy”–>“Copy Xpath”就可以復制xpath。

這樣，我們就把電影標題的xpath信息復制下來了。

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

放到代碼中并打印信息

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

這樣，我們爬取豆瓣電影中《神秘巨星》的“電影名稱”信息的代碼已經完成了，可以在eclipse中運行代碼。

得到如下結果：

電影名: ['神秘巨星 Secret Superstar']

OK，邁出了第一步，我們繼續抓取導演、主演、評分；

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

觀察上面的代碼，發現獲取不同主演時，區別只在于“a[x]”中“x”的值不同。實際上，要一次性獲取所有主演信息時，用不加數字的“a”即可獲取。

如下：

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

所以我們修改好的完整代碼如下：

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time
url1 = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url1).text
s=etree.HTML(data)
 
film_name=s.xpath('//*[@id="content"]/h2/span[1]/text()')#電影名
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#編劇
actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#主演
movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片長
#由于導演有時候不止一個人，所以我這里以列表的形式輸出
ds = []
for d in director:
    ds.append(d)
    
#由于演員不止一個人，所以我這里以列表的形式輸出
acs = []
for a in actor:
    acs.append(a)
print ('電影名:',film_name)
print ('導演:',ds)
print ('主演:',acs)
print ('片長:',movie_time)

結果輸出：

電影名: ['神秘巨星 Secret Superstar']
導演: ['阿德瓦·香登']
主演: ['塞伊拉·沃西', '梅·維賈', '阿米爾·汗', '拉杰·阿晶', '提斯·沙馬', '卡比爾·謝赫', '法如克·賈法爾', 
'馬努杰·沙瑪', '莫娜·安伯加卡爾', '尼基塔·阿南德', '尚', '莫納利·塔庫爾']
片長: ['150分鐘']

怎么樣，是不是很簡單啊。趕快去試試吧~~~

這里順便補充點基礎知識：

Requests常用的七種方法：

目前，我們只需要掌握最常用的requests.get()方法就好了。

requests.get()的使用方法

import requests
url = 'https://www.baidu.com'
data = requests.get(url)#使用get方法發送請求，返回汗網頁數據的Response并存儲到對象data 中

Repsonse對象的屬性：

data.status_code：http請求的返回狀態，200表示連接成功；

data.text：返回對象的文本內容；

data.content：猜測返回對象的二進制形式；

data.encoding：返回對象的編碼方式；

data.apparent_encoding：響應內容編碼方式。

關于Python3爬蟲實戰中爬取豆瓣電影的方法是什么就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。