【爬虫实战】最新python豆瓣热榜Top250

news2025/1/22 16:45:36

一.最终效果

豆瓣是大多数新手练习爬虫的

二.数据定位过程

对于一个目标网站，该如何快速判定页面上的数据来源？首先你需要简单web调试能力，对大多数开发者来说都chrome浏览器应该是不二选择，当然我选中的也是。F12打开调试面板，如下图：

如果数据是来自服务端API接口，当你按上图操作翻页时，右侧空白面板处会出现请求记录，此时页面数据就是通过接口返回的；如果像上面这种，翻页操作之后还是空白，说明数据不是通过接口返回的。那接下来就需要我们定位页面元素位置了，操作如下图：

接下来就需要一个个解析我们需要的字段了；

三.编写代码

安装项目依赖库：

pip install pandas bs4

引入：

from bs4 import BeautifulSoup

使用：

soup = BeautifulSoup(html, 'html.parser')
elements = soup.select('#content .grid_view li')

注意：soup.select返回的也是soup对象，可以继续元素的查找：

for card in elements:
    pic = card.select_one('.item .pic')
    # 序号
    index = pic.select_one('em').text
    # logo
    img = pic.select_one('img')
    # 电影名称
    title = card.select_one('.item .info .hd a').get_text(strip=True)
    ...

四.保存数据

保存数据我们还是使用pandas(如果对pandas不了解的可以到我主页看我前几期分享关于pandas的文章)：
Todo:

    def data_to_save(self, list, page):
        df = pd.DataFrame(list)
        print("数据保存中...")
        if page == 1:
            has_file = self.check_data()
            if not has_file:
                df.to_csv(self.file_path, index=False, columns=[
                          "index", "title", "playable", "intro", "rating", "reviews", "comment"])
                return
        df.to_csv(self.file_path, index=False, mode='a', header=False)

注意如果不是首次添加数据，需要使用mode='a’追加模式，这样加入的数据没有表头；

五.打包成exe

打包成exe使用工具pyinstaller，如果对这个库不熟悉的同学可以到我的主页查看历史分享：
Todo:

pyinstaller -F -c main.py (没有 main.spec 文件用此命令)
或者
pyinstaller main.spec (有 main.spec 文件用此命令)

六.运行过程

防止爬取太快被拉黑，请设置请求延迟区间(请求时根据输入的区间随机延迟n秒)
请输入延迟区间的开始时间(默认请回车): 1
请输入延迟区间的结束时间(默认请回车): 3
输入获取的页码数(回车默认-1获取全部): 6
开始请求第1页...
开始解析第1页数据...
数据保存中...
共有250页：
随机延时几秒: 2.847s
开始请求第2页...
开始解析第2页数据...
数据保存中...
随机延时几秒: 1.6s
开始请求第3页...
开始解析第3页数据...
数据保存中...
随机延时几秒: 2.472s
开始请求第4页...
开始解析第4页数据...
数据保存中...
随机延时几秒: 2.756s
开始请求第5页...
开始解析第5页数据...
数据保存中...
随机延时几秒: 2.598s
开始请求第6页...
开始解析第6页数据...
数据保存中...