【python爬虫实战】爬取豆瓣top250（网站有反爬虫机制肿么办）

news2024/11/25 10:23:07

关于请求头headers:

值得注意的是，与上一篇：【python爬虫实战】爬取书店网站的书名&价格（注释详解）-CSDN博客

爬取书名不同，这次爬取豆瓣网站必须使用“请求头headers”，不然将没有输出结果。至于说背后原因，笔者推测是豆瓣网站有“反爬虫”机制，而指定headers，可以模拟普通的人为浏览器访问，从而避开阻拦

//ps：每个人的headers应该不同，至于说如何获得自己的headers，可以参考b站视频，这里不再赘述~

关于从多个不同页面爬取：

观察豆瓣网站可以发现，每个页面只展示了25个，top250分布在不同的10个页面中，要在一个程序中访问十个页面，需要获得十个对应的不同的网址

而观察不同网址不难发现，它们大体上是相同的，只有部分数字呈现规律性的变化，由此，则采用如下方式更新网址：

        list_ = [i for i in range(0, 226) if i%25 == 0]#获取0，25，50...
        for start_num in list_:
        # 发送请求并获取响应内容  
            response = requests.get(f"https://movie.douban.com/top250?start={start_num}&filter=", headers=headers)

完整代码见下：

#! usr/bin/env python 
from bs4 import BeautifulSoup 
import requests  

if __name__ == '__main__':
    # 设置请求头，模拟浏览器访问：因为豆瓣的网站应该是有反爬虫机制，所以必须指定headers，来模拟普通的人为浏览器访问 
    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' }  #headers 要用字典的方式来写
    try:  
        list_ = [i for i in range(0, 226) if i%25 == 0]
        i = 1
        for start_num in list_:
        # 发送请求并获取响应内容  
            response = requests.get(f"https://movie.douban.com/top250?start={start_num}&filter=", headers=headers)  
            response.raise_for_status()  # 如果请求失败，抛出异常  
            soup = BeautifulSoup(response.text, "html.parser")  
            titles = soup.find_all("span", attrs={"class": "title"})  
            
            for title in titles:  
                #外文原名中会含有'/'， 利用if语句排除之，从而只留下中文名
                if '/' not in title.string:
                    print(i, '.', title.string)  
                    i += 1 
    except requests.RequestException as e:  
        print(f"发生网络错误：{e}")

在vs code中运行，可实现如下输出：