文章目录
一、写在前面
好不容易女神喊我去看电影，但是她问我准备看什么，那我得好好准备准备~
二、准备工作
1、使用的软件
私信小编01即可获取大量Python学习资源
- python 3.8 （来源 免费的）
- Pycharm （YYDS python最好用的编辑器 不接受反驳…）
软件及安装讲解： 软件安装包/安装视频讲解
2、使用的模块
- requests >>> 数据请求模块 pip install requests
- parsel >>> 数据解析模块 pipinstall parsel
- csv
模块安装： 如何安装python模块, python模块安装失败的原因以及解决办法
3、爬虫思路
无论你爬取任何网站数据，都是可以按照这个几步骤来。
1. 明确需求
我们要爬取的内容是什么
https://movie.douban.com/top250
要分析我们想要的数据，可以从哪里获取，哪里来的… (数据来源分析)
用这个开发者工具进行抓包(数据包)分析
- 静态网页：网页上面看到的数据内容,在网页源代码里面都有
- 动态网站：抓包分析
2. 发送请求 (开发者工具里面headers)
对于那个网址发送请求，发送什么样的请求，携带那些请求头参数。
3. 获取数据
获取服务器返回的数据内容，看服务器的数据格式是什么样的，或者说我们想要的数据是什么样的；
获取文本数据 response.text ；
获取服务器json字典数据 response.json() ；
获取二进制数据 response.content 保存视频/音频/图片/特定格式的文件内容，都是获取二进制数据；
4. 解析数据
提供我们想要的数据内容
5. 保存数据
保存本地
三、代码解析
1、导入模块
导入一下我们需要用到的模块
import requests # 数据请求模块 pip install requests
import parsel # 数据解析模块 pip install parsel
import csv # 保存表格数据2、创建文件
快速批量替换 全文内容 使用正则表达式 替换内容
f = open('豆瓣数据.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
'电影名字',
'导演',
'主演',
'年份',
'国家',
'电影类型',
'评论人数',
'评分',
'概述',
'详情页',
])
csv_writer.writeheader()3、获取数据
for page in range(0, 250, 25):
url = f'https://movie.douban.com/top250?start={
page}&filter='
# headers 请求头 用来伪装python代码 为了防止爬虫程序被服务器识别出来,
# User-Agent 浏览器的基本标识 用户代理 直接复制粘贴的
# 披着羊皮的狼 爬虫程序 >>> 狼 headers >>> 羊皮 服务器数据 >>> 羊圈
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'
}
# 发送请求 get
# 通过requests数据请求模块里面get请求方法 对于 url以及发送请求并且携带header请求头, 最后用response变量接收返回数据
response = requests.get(url=url, headers=headers)
# 获取数据
# print(response.text)
# 解析数据 re正则表达式 css选择器 xpath 那一种更方便 更加舒服 就用哪一个
# json 键值对取值
# 提取我们想要的数据内容
# 把获取下来的 response.text 网页字符串数据 转成selector 对象
selector = parsel.Selector(response.text)
# <Selector xpath=None data='<html lang="zh-CN" class="ua-windows ...'> 对象
# css选择器 根据标签属性提取数据
# 第一次解析数据, 获取所有li标签
lis = selector.css('.grid_view li') # css选择器语法
# selector.xpath('//*[@class="grid_view"]/li') # xpath写法
# [] 列表, 如果说我想要一一提取列表里面的元素 怎么做?4、解析数据
for li in lis:
try:
# span:nth-child(1) 组合选择器 表示的选择第几个span标签
# 1 选择第一个span标签 text 获取标签文本数据
title = li.css('.hd a span:nth-child(1)::text').get()
href = li.css('.hd a::attr(href)').get() # 详情页
# li.xpath('//*[@class="hd"]/a/span(1)/text()').get()
# get返回字符串数据 getall 是返回列表数据
# get获取第一个标签数据 getall 获取所有的
move_info = li.css('.bd p::text').getall()
actor_list = move_info[0].strip().split(' ') # 列表索引位置取值
# print(actor_list)
date_list = move_info[1].strip().split('/') # 列表索引位置取值
director = actor_list[0].replace('导演: ', '').strip() # 导演
actor = actor_list[1].replace('主演: ', '').replace('/', '').replace('...', '') # 演员
date = date_list[0].strip() # 年份
country = date_list[1].strip() # 国家
move_type = date_list[2].strip() # 电影类型
comment = li.css('.star span:nth-child(4)::text').get().replace('人评价', '') # 评论人数
star = li.css('.star span:nth-child(2)::text').get() # 星级
world = li.css('.inq::text').get() # 概述
# 字符串的高级方法
# replace() 字符串替换的方法 strip() 去除字符串左右两端的空格 split() 分割 之后返回的列表
# 字符串如何去除空格呢?
# print(title, actor_list, date_list)
dit = {
'电影名字': title,
'导演': director,
'主演': actor,
'年份': date,
'国家': country,
'电影类型': move_type,
'评论人数': comment,
'评分': star,
'概述': world,
'详情页': href,
}5、写入数据
csv_writer.writerow(dit)6、输出数据
print(title, director, actor, date, country, move_type, comment, star, world, href, sep=' | ')
except:
pass所有代码
所有代码我就没写到目录里面，奖励给全部看完的你，不然有些人看到目录就直接点过来看全部代码了，哈哈~
import requests
import parsel
import csv
f = open('豆瓣数据.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
'电影名字',
'导演',
'主演',
'年份',
'国家',
'电影类型',
'评论人数',
'评分',
'概述',
'详情页',
])
csv_writer.writeheader()
for page in range(0, 250, 25):
url = f'https://movie.douban.com/top250?start={
page}&filter='
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
selector = parsel.Selector(response.text)
lis = selector.css('.grid_view li') # css选择器语法
for li in lis:
try:
title = li.css('.hd a span:nth-child(1)::text').get()
href = li.css('.hd a::attr(href)').get() # 详情页
move_info = li.css('.bd p::text').getall()
actor_list = move_info[0].strip().split(' ') # 列表索引位置取值
date_list = move_info[1].strip().split('/') # 列表索引位置取值
director = actor_list[0].replace('导演: ', '').strip() # 导演
actor = actor_list[1].replace('主演: ', '').replace('/', '').replace('...', '') # 演员
date = date_list[0].strip() # 年份
country = date_list[1].strip() # 国家
move_type = date_list[2].strip() # 电影类型
comment = li.css('.star span:nth-child(4)::text').get().replace('人评价', '')
star = li.css('.star span:nth-child(2)::text').get() # 星级
world = li.css('.inq::text').get() # 概述
dit = {
'电影名字': title,
'导演': director,
'主演': actor,
'年份': date,
'国家': country,
'电影类型': move_type,
'评论人数': comment,
'评分': star,
'概述': world,
'详情页': href,
}
csv_writer.writerow(dit)
print(title, director, actor, date, country, move_type, comment, star, world, href, sep=' | ')
except:
pass注释对照前面，完整代码不给注释，为了你们认真学习我真的是挠破脑袋了。