爬取豆瓣TOP250电影详解

一.分析网页DOM树结构

1.分析网页结构及简单爬取

豆瓣（Douban）是一个社区网站，创立于2005年3月6日。该网站以书影音起家，提供关于书籍、电影、音乐等作品的信息，其作品描述和评论都是由用户提供（User-Generated Content，简称UGC），是Web 2.0网站中具有特色的一个网站。该网站提供了书影音推荐、线下同城活动、小组话题交流等多种服务功能，致力于帮助都市人群发现生活中有用的事物。

本文主要介绍BeautifulSoup技术爬取豆瓣电影排名前250名的电影信息。第一部分将介绍分析网页DOM树结构。爬取豆瓣的地址为：

https://movie.douban.com/top250?format=text

在这里插入图片描述

上图中显示了豆瓣热门的250部电影的信息，包括电影中文名称、英文名称、导演、主演、评分、评价数等信息，接下来需要对其进行DOM树结构分析。HTML网页是以标签对的形式出现，如< html >< /html >、< div >< /div >等，这种标签对呈树形结构显示，通常称为DOM树结构。

在得到一个网页之后，我们需要结合浏览器对其进行元素分析。比如豆瓣电影网站，选中第一部电影《肖申克的救赎》，右键鼠标“检查”（Chrome浏览器称为“检查”，其他浏览器可能称为“审查元素”等），如下图2所示。

在这里插入图片描述

显示结果如图3所示，可以发现它是在< div class=”article” >< /div >路径下，由很多个< li >< /li >组成，每一个< li >< /li >分别对应一部电影的信息。其中，电影《肖申克的救赎》HTML中对应内容为：

<li><div class="item">......</div></li>

通过class值为“item”可以定位电影的信息。调用BeautifulSoup扩展包的find_all(attrs={“class”:“item”}) 函数可以获取其信息。

在这里插入图片描述

对应的HTML部分代码如下：

<li><div class="item">
 <div class="pic">
   <em class="">1</em>
   <a href="https://movie.douban.com/subject/1292052/"> 
    <img alt="肖申克的救赎"src="https://img3.doubanio.com/.../p480747492.webp" >
   </a>
 </div>
 <div class="info">...</div>
</div></li>

下面通过Python3代码可以获取电影的信息，调用BeautifulSoup中的find_all()函数获取< div class=’item’ >的信息，其结果如图4所示。

test01.py

# -*- coding:utf-8 -*-
# By:Eastmount CSDN
import urllib.request
import re 
from bs4 import BeautifulSoup

# 爬虫函数
def crawl(url, headers):
    page = urllib.request.Request(url, headers=headers)
    page = urllib.request.urlopen(page)
    contents = page.read()
    #print(contents)
    
    soup = BeautifulSoup(contents, "html.parser")
    print('豆瓣电影250: 序号 \t影片名\t 评分 \t评价人数')
    for tag in soup.find_all(attrs={"class":"item"}):
        content = tag.get_text()
        content = content.replace('\n','')   #删除多余换行
        print(content, '\n')

# 主函数
if __name__ == '__main__':
    url = 'http://movie.douban.com/top250?format=text'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
               AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}
    crawl(url, headers)

运行结构如图4所示，爬取了豆瓣Top250的第一页电影的信息，包括序号、影片名、导演及主演信息、评分、评价人数等。

在这里插入图片描述

注意：urllib.error.HTTPError: HTTP Error 418
如果直接使用urllib.request.urlopen(url)会提示该错误，这是因为爬虫被拦截，需要模拟浏览器访问，这里可以打开浏览器按下F12，找到对应Headers内容，然后在Python代码中设置User-Agent即可模拟该浏览器请求。

urlopen()函数：

Python2：urllib2.urlopen(url)
Python3：urllib.request.urlopen(url)
urlopen()函数用于创建一个表示远程url的类文件对象，然后像操作本地文件一样操作这个类文件对象来获取远程数据

read()函数：

调用read()读取网页内容并赋值给contents变量

BeautifulSoup函数：

soup = BeautifulSoup(contents, “html.parser”)
调用BeautifulSoup解析所抓取网页源码的DOM树结构

find_all()函数：

调用BeautifulSoup的find_all()函数获取属性class为“item”的所有值，并调用代码content.replace(’\n’,’’)将换行符替换为空值，从而实现删除多余换行，最后循环输出结果。

2.定位节点及网页翻页分析

通过前一部分我们获取了电影的简介信息，但是这些信息是融合在一起的，而在数据分析时，通常需要将某些具有使用价值的信息提取出来，并存储至数组、列表或数据库中，比如电影名称、演员信息、电影评分等特征。

作者简单归纳了两种常见的方法：

(1) 文本分析。从获取的电影简介文本信息中提取某些特定的值，通常采用字符串处理方法进行提取。
(2) 节点定位。在写爬虫过程中定位相关节点，然后进行爬取所需节点操作，最后赋值给变量或存储到数据库中。

本部分将结合BeautifulSoup技术，采用节点定位方法获取具体的值。点开HTML网页，检查对应的< li >< /li >节点，可以看到该电影的构成情况，再定位节点内容，如< span class=“title” >节点可以获取标题，< div class=“star” >节点可以获取电影评分和评价人数。

在这里插入图片描述

获取节点的核心代码如下，定位class属性为“item”的div布局后，再调用find_all()函数查找class属性为title的标签，并获取第一个值输出，即title[0]。接着调用find()函数爬取评分信息，通过get_text()函数获取内容。

for tag in soup.find_all(attrs={"class":"item"}): 
    title = tag.find_all(attrs={"class":"title"})           #电影名称
    info = tag.find(attrs={"class":"star"}).get_text()      #爬取评分和评论数
    print(title[0])
    print(info.replace('\n',''))
# <span class="title">肖申克的救赎</span>
# 9.72279813人评价

在这里插入图片描述

讲到这里，我们第一页的25部电影信息就爬取成功了，而该网页共10页，每页显示25部电影，如何获取这250部完整的电影信息呢？这就涉及到链接跳转和网站的翻页分析。网站的翻页分析通常有四种方法：

点击下一页分析url网址，分析它们之间的规律，这种方法的网站通常采用GET方法进行传值，而有的网站采用局部刷新技术，翻页后的url仍然不变。
获取“下一页”或页码的超链接，再依次调用urllib2.urlopen(url)函数访问URL并实现网页跳转。
分析网站Networks提交请求的参数，通过Python设置参数实现翻页，常用于POST表单。
采用网页自动操作技术，获取下一页按钮或超链接进行自动点击跳转，如selenium技术中的鼠标点击事件。

本文主要采用第一种分析方法，后面讲述Selenium技术时，会介绍鼠标模拟点击事件操作的跳转方法。

在这里插入图片描述

通过点击图6中的第2页、第3页、第10页，我们可以看到网页URL的变化如下。

第2页URL：https://movie.douban.com/top250?start=25&filter= 
第3页URL：https://movie.douban.com/top250?start=50&filter= 
第10页URL：https://movie.douban.com/top250?start=225&filter=

它是存在一定规律的，top250?start=25表示获取第2页（序号为26到50号）的电影信息；top250?start=50表示获取第3页（序号为51到75号）的电影信息，依次类推，我们写一个循环即可获取完整的250部电影信息。核心代码如下：

i = 0  
while i<10:  
    num = i*25 #每次显示25部 URL序号按25增加  
    url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='  
    crawl(url)  
    i = i + 1

注意：当i初始值为0，num值为0，获取第1页信息；当i增加为1，num值为25，获取第2页信息；当i增加为9，num值为225，获取第10页的信息。

讲到这里，爬取豆瓣网电影信息的DOM树结构分析、网页链接跳转已经分析完成，下一小节是讲解完整的代码。

二.爬取豆瓣电影信息

完整代码为test02.py文件，如下所示。

test02.py

# -*- coding: utf-8 -*-
# By:Eastmount CSDN
import urllib.request
import re 
from bs4 import BeautifulSoup
import codecs

#-------------------------------------爬虫函数-------------------------------------
def crawl(url, headers):
    page = urllib.request.Request(url, headers=headers)
    page = urllib.request.urlopen(page)
    contents = page.read()
    
    soup = BeautifulSoup(contents, "html.parser") 
    infofile.write("")
    print('爬取豆瓣电影250: \n')
    
    for tag in soup.find_all(attrs={"class":"item"}):
        #爬取序号
        num = tag.find('em').get_text()
        print(num)
        infofile.write(num + "\r\n")
        
        #电影名称
        name = tag.find_all(attrs={"class":"title"})
        zwname = name[0].get_text()
        print('[中文名称]', zwname)
        infofile.write("[中文名称]" + zwname + "\r\n")
        
        #网页链接
        url_movie = tag.find(attrs={"class":"hd"}).a
        urls = url_movie.attrs['href']
        print('[网页链接]', urls)
        infofile.write("[网页链接]" + urls + "\r\n")
        
        #爬取评分和评论数
        info = tag.find(attrs={"class":"star"}).get_text()
        info = info.replace('\n',' ')
        info = info.lstrip()
        print('[评分评论]', info)
        
        #获取评语
        info = tag.find(attrs={"class":"inq"})
        if(info): #避免没有影评调用get_text()报错
            content = info.get_text()
            print('[影评]', content)
            infofile.write(u"[影评]" + content + "\r\n")
        print('')
        
#-------------------------------------主函数-------------------------------------
if __name__ == '__main__':
    #存储文件
    infofile = codecs.open("Result_Douban.txt", 'a', 'utf-8')
    
    #消息头
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
               AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}

    #翻页
    i = 0
    while i<10:
        print('页码', (i+1))
        num = i*25 #每次显示25部 URL序号按25增加
        url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='
        crawl(url, headers)
        infofile.write("\r\n\r\n")
        i = i + 1
    infofile.close()

运行结果如图7所示，爬取了电影名称、网页连接、评分评论数和影评等信息。

在这里插入图片描述

并且将爬取的250部电影信息存储到“Result_Douban.txt”文件中，如下图所示。

在这里插入图片描述

在代码中，主函数定义循环依次获取不同页码的URL，然后调用crawl(url)函数对每页的电影信息进行定向爬取。在crawl(url)函数中，通过urlopen()函数访问豆瓣电影网址，然后调用BeautifulSoup函数进行HTML分析，前面第一部分讲解了每部电影都位于< li >< div class=“item” >…< /div >< /li >节点下，故采用如下for循环依次定位到每部电影，然后再进行定向爬取。

for tag in soup.find_all(attrs={"class":"item"}):
    #分别爬取每部电影具体的信息

具体方法如下。

(1) 获取序号
序号对应的HTML源码如图8所示，需要定位到< em class >1< /em >节点，通过find(‘em’)函数获取具体的内容。

在这里插入图片描述

对应的代码如下：

num = tag.find('em').get_text()
print(num)

(2) 获取电影名称
电影名称对应的HTML源码如图9所示，包括class='title’对应中文名称和英文名称，class='other’对应电影其他名称。

在这里插入图片描述

对应的代码如下，因为HTML中包含两个title，即< span class=‘title’ >< /span >，所以使用下面的函数获取两个标题：

tag.find_all(attrs={“class”:“title”})

但这里我们仅需要中文标题，则直接通过变量name[0]获取其第一个值，即为中文名称，再调用get_text()函数获取其内容。

name = tag.find_all(attrs={"class":"title"})
zwname = name[0].get_text()
print('[中文名称]', zwname)
infofile.write("[中文名称]" + zwname + "\r\n")

同时，上述代码调用codecs库进行了文件处理，其中文件操作的核心代码如下，打开文件三个参数分别是：文件名、读写方式、编码方式，此处文件名为“Result_Douban.txt”，采用文件写方式（a），编码方式是utf-8。

infofile = codecs.open("Result_Douban.txt", 'a', 'utf-8') #打开文件
infofile.write(num+" "+name+"\r\n") #写文件
infofile.close()                    #关闭文件

3.获取电影链接
电影链接对应的HTML源码如上图9所示，定位到< div class=‘hd’ >节点下的< a >< /a >节点，然后获取属性位href的值，即：attrs[‘href’]。

url_movie = tag.find(attrs={"class":"hd"}).a
urls = url_movie.attrs['href']
print('[网页链接]', urls)

获取评分和内容的方法一样，调用函数即可获取：

find(attrs={“class”:“star”}).get_text()

但是存在一个问题，它输出的结果将评分数和评价数放在了一起，如“9.4 783221人评价”，而通常在做分析的时候，我们是将评分数存在一个变量中，评价数存在另一变量中。

这就需要进行简单的文本处理，这里推荐大家使用前面讲述过的正则表达式来处理，将此段代码修改如下，调用re.compile(r’\d+.?\d*’)获取字符串中的数字。第一个数字为电影的分数，第二个数字为评论数。

#爬取评分和评论数
info = tag.find(attrs={"class":"star"}).get_text()
info = info.replace('\n',' ')
info = info.lstrip()
print(info)

mode = re.compile(r'\d+\.?\d*') #正则表达式获取数字
print(mode.findall(info))

i = 0
for n in mode.findall(info):
    if i==0:
        print('[分数]', n)
        infofile.write("[分数]" + n + "\r\n")
    elif i==1:
        print('[评论]', n)
        infofile.write(u"[评论]" + n + "\r\n")
    i = i + 1

获取的结果前后对比如图10所示。

在这里插入图片描述

这样，整个豆瓣250部电影信息就爬取成功了。接下来，我们再继续深入，去到具体的每个网页中，爬取详细信息及更多的评论。同时，作者更推崇的是本文讲解的分析方法，只有知道了具体的方法才能解决具体的问题。

三.链接跳转分析及详情页面爬取

在第二部分我们详细分析了如何爬取豆瓣前250部电影信息，同时爬取了每部电影对应详细页面的超链接。本小节主要结合每部电影的超链接url网站，定位到具体的电影页面，进行深一步的详情页面爬取。这里作者还是采用电影《肖申克的救赎》举例，前面爬取了该电影的超链接地址为：

https://movie.douban.com/subject/1292052/

该网页打开如图11所示。

在这里插入图片描述

作者主要分析如何爬取该部电影的导演信息、电影简介信息以及热门影评信息，其中影评信息如图12所示。

在这里插入图片描述

1.爬取详情页面基本信息
下面对详情页面进行DOM树节点分析，其基本信息位于< div class=‘article’ >…< /div >标签下，核心内容位于该节点下的子节点中，即< div id=‘info’ >…< /div >。使用如下代码获取内容：

info = soup.find(attrs={"id":"info"})
print(info.get_text())

在这里插入图片描述

2.爬取详情页面电影简介
同样，通过浏览器审查元素，可以得到如图14所示的电影简介HTML源码，其电影简介位于< div class=‘related-info’ >…< /div >节点下，它包括简短版（short）的简介和隐藏的详细版简介（all_hidden），这里作者通过下列函数获取。代码replace(’\n’,’’).replace(’ ‘,’’)用于过滤所爬取HTML中多余的空格和换行符号。

other = soup.find(attrs={"class":"related-info"}).get_text()
print other.replace('\n','').replace(' ','')  #过滤空格和换行

在这里插入图片描述

3.爬取详情页面电影热门评论信息
热门评论信息位于< div id=‘hot-comments’ >…< /div >节点下，然后获取节点下的多个class属性为“comment-item”的div布局，如下图所示。在使用find()或find_all()函数进行爬取时，需要注意标签属性是class还是id，或是其它，必须与之对应一致，才能正确爬取。

#评论
print('\n评论信息:')
for tag in soup.find_all(attrs={"id":"hot-comments"}):
    for comment in tag.find_all(attrs={"class":"comment-item"}):
        com = comment.find("p").get_text()   #爬取段落p
        print com.replace('\n','').replace(' ','')

在这里插入图片描述

完整代码如下：

test03.py

# -*- coding: utf-8 -*-
# By:Eastmount CSDN
import urllib.request
import re 
from bs4 import BeautifulSoup
import codecs

#-----------------------------------爬取详细信息-------------------------------------
def getInfo(url, headers):
    page = urllib.request.Request(url, headers=headers)
    page = urllib.request.urlopen(page)
    content = page.read()
    soup = BeautifulSoup(content, "html.parser")
    
    #电影简介
    print('电影简介:')
    info = soup.find(attrs={"id":"info"})
    print(info.get_text())
    other = soup.find(attrs={"class":"related-info"}).get_text()
    print(other.replace('\n','').replace(' ',''))
    
    #评论
    print('\n评论信息:')
    for tag in soup.find_all(attrs={"id":"hot-comments"}):
        for comment in tag.find_all(attrs={"class":"comment-item"}):
            com = comment.find("p").get_text()
            print(com.replace('\n','').replace(' ',''))
    print("\n\n\n----------------------------------------------------------------")
            
#-------------------------------------爬虫函数-------------------------------------
def crawl(url, headers):
    page = urllib.request.Request(url, headers=headers)
    page = urllib.request.urlopen(page)
    contents = page.read()
    soup = BeautifulSoup(contents, "html.parser") 
    
    for tag in soup.find_all(attrs={"class":"item"}):
        #爬取序号
        num = tag.find('em').get_text()
        print(num)
        
        #电影名称
        name = tag.find_all(attrs={"class":"title"})
        zwname = name[0].get_text()
        print('[中文名称]', zwname)
        
        #网页链接
        url_movie = tag.find(attrs={"class":"hd"}).a
        urls = url_movie.attrs['href']
        print('[网页链接]', urls)
        
        #爬取评分和评论数
        info = tag.find(attrs={"class":"star"}).get_text()
        info = info.replace('\n',' ')
        info = info.lstrip()
        
        #正则表达式获取数字
        mode = re.compile(r'\d+\.?\d*')
        i = 0
        for n in mode.findall(info):
            if i==0:
                print('[电影分数]', n)
            elif i==1:
                print('[电影评论]', n)
            i = i + 1
        
        #获取评语
        getInfo(urls, headers)
        
#-------------------------------------主函数-------------------------------------
if __name__ == '__main__':
    #消息头
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
               AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}

    #翻页
    i = 0
    while i<10:
        print('页码', (i+1))
        num = i*25 #每次显示25部 URL序号按25增加
        url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='
        crawl(url, headers)
        i = i + 1

其中爬取的《龙猫》电影信息输出如图16所示。

在这里插入图片描述

讲到这里，使用BeautifulSoup技术分析爬取豆瓣电影前250部电影信息的实例已经讲解完毕，但在实际爬取过程中可能由于某些页面不存在会导致爬虫停止，这时需要使用异常语句“try-except-finally”进行处理。

同时，爬取过程中需要结合自己所需数据进行定位节点，存储至本地文件中，也需要结合字符串处理过滤一些多余的空格或换行。

四.总结

在学习网络爬虫之前，读者首先要掌握分析网页节点、审查元素定位标签，甚至是翻页跳转、URL分析等知识，然后才是通过Python、Java或C#实现爬虫的代码。本文作者结合自己多年的网络爬虫开发经验，深入讲解了BeautifulSoup技术网页分析并爬取了豆瓣电影信息，读者可以借用本章的分析方法，结合BeautifulSoup库爬取所需的网页信息，并学会分析网页跳转，尽可能爬取完整的数据集。

同时，本章所爬取的内容是存储至TXT文件中的，读者也可以尝试着存储至Excel、CSV、Json文件中，甚至存储至数据库，这将为您后面的数据分析提供强大的数据支撑，数据处理起来更为方便。