（2024）豆瓣电影TOP250爬虫详细讲解和代码

news2024/11/24 11:44:32

（2024）豆瓣电影TOP250爬虫详细讲解和代码

爬虫目的

获取 https://movie.douban.com/top250 电影列表的所有电影的属性。并存储起来。说起来很简单就两步。

第一步爬取数据
第二步存储

爬虫思路

总体流程图

由于是分页的，要先观察分页的规律，如下很容易知道每一页的规律。

第一页：https://movie.douban.com/top250?start=0&filter=
第二页：https://movie.douban.com/top250?start=25&filter=

代码思路

函数 getAllPageUrl ：生成分页链接列表
函数 getMoiveListByUrl ：根据某一页的分页链接，输出电影属性

函数：getAllPageUrl

def getAllPageUrl():
    """
    通过观察规律，生成所有分页的链接list
    :return:
    """
    list = []
    for i in range(10):
        url = f'https://movie.douban.com/top250?start={i*25}&filter='
        list.append(url)
        # print(url)
    return list

测试代码

if __name__ == "__main__":
    urlList = getAllPageUrl()
    pprint(len(urlList))
    pprint(urlList)

输出结果

可以一一校验链接是否有效，准确

函数：getMoiveListByUrl

分析dom

//juery获取一部电影的dom
$("#content .grid_view .item")[0]

OK，经过分析，我们找到了，使用jquery 获取电影dom的方式，只需要经过两步就能拿到电影列表了。

第一步：获取电影列表dom ：$("#content .grid_view .item")
第二步：处理单个电影dom,拿到信息。

代码

def getMoiveListByUrl(url):
    """
    由一个分页链接开始，通dom节点的形式 + 数据处理(正则处理、字符处理、类型转换等)， 获取电影信息
    :return: list: 包含每部电影详细信息的字典组成的列表。
    """
    # 定义请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        # 其他需要的请求头...
    }
    movieList = []
    # 发送 GET 请求并获取响应内容
    response = requests.get(url, headers=headers)

    if response.status_code == 200:
        #todo pyquery 解析dom，经过循环，数据处理(正则处理、字符处理、类型转换等)，得到正确的电影属性信息
        doc = pq(response.text)
        movie_list_doc = doc("#content .grid_view .item")
        for item in movie_list_doc.items():
            item_dict = {} #存储单个电影对象的字典
            cover = item('.pic img').attr('src')
            movie_url = item('.pic a').attr('href')
            title = item('.info .hd .title:first').text()
            review_count_text = item('.info .bd .star span:contains("人评价")').text()
            rating_num = item('.info .bd .star .rating_num').text()
            review_count = int(review_count_text.replace("人评价", ""))
            item_dict['title'] = title
            item_dict['cover'] = cover
            item_dict['review_count'] = review_count
            item_dict['rating_num'] = rating_num
            item_dict['movie_url'] = movie_url
            # print(title)
            movieList.append(item_dict)

        return movieList
    else :
        return movieList

测试代码

if __name__ == "__main__":
    pageUrl02 = 'https://movie.douban.com/top250?start=25&filter='
    movieList = getMoiveListByUrl(pageUrl02)
    pprint(movieList)