python爬虫-豆瓣top250

Nissa ·

更新时间:2024-09-20

· 817 次阅读

python爬取豆瓣电影排名及相关信息
这个程序是我自己先开始做，在爬取的过程中遇到了很多问题，毕竟是初学者，然后在百度找了一些别人的程序参考，改正了错误，同时也学到了很多，起码同样的错误不会再犯第二次。
下面讲讲我做这个小爬虫过程

文章目录安装lxml库导入lxml库导入requests库输入url获得响应修改headers获得网页代码爬取电影名称爬取豆瓣评分和其他相关信息完整代码和输出结果
首先找到豆瓣TOP250的url
豆瓣TOP250.(https://movie.douban.com/top250) 安装lxml库

打开终端命令窗口

pip install lxml

安装完成后，检测是否安装成功
打开python IDLE输入

import lxml

或

from lxml import etree

如果没有报错，说明安装成功

导入lxml库

from lxml import etree

导入requests库

import requests

输入url

url = 'https://movie.douban.com/top250'

获得响应

>>> import requests
>>> url = 'https://movie.douban.com/top250'
>>> r=requests.get(url)
>>> r.status_code
418
>>>

可以看到豆瓣网返回值为418，说明不能成功访问，只有返回值为200才能成功访问。
这时候我们需要修改头部信息

修改headers

>>> import requests
>>> url = 'https://movie.douban.com/top250'
>>> r=requests.get(url)
>>> r.status_code
418
>>> kv={'user-agent':'Mozilla/5.0'}
>>> r=requests.get(url,headers=kv)
>>> r.status_code
200
>>>

这样返回值为200，说明可以访问

获得网页代码

data = requests.get(url,headers=kv).text
s = etree.HTML(data)

爬取电影名称

movies = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
for i in range(25):  
    print("{}".format(movies[i]))

输出结果如下
在这里插入图片描述
你可能会疑惑movies = s.xpath()里的内容是怎么得来的
在谷歌浏览器中打开豆瓣TOP250的网址，进入网页后，按F12键启动浏览器开发工具
如下图所示

我感觉让它在网页底部显示比较方便操作

点击X右边的那三个垂直排列的小点，会显示红圈中的内容，第三个就是设置底部显示。

如果你懂一点HTML语言知识会很有帮助，找到电影名称的标签，鼠标右击选择复制(Copy),在复制类型中选择 Copy XPath类型然后粘贴到movies = s.xpath()的括号中，注意用引号括起来
复制内容应该是这个(//*[@id=“content”]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]),把li[1]的‘[1]'去掉，这样才能显示整个列表。
在这里插入图片描述

爬取豆瓣评分和其他相关信息

用同样的方法爬取豆瓣评分、演员名字、时间、地点、类型等信息

score = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
actor = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/p[1]/text()[1]')
time = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/p[1]/text()[2]')

完整代码和输出结果

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
kv={'user-agent':'Mozilla/5.0'}
data = requests.get(url,headers=kv).text
s = etree.HTML(data)
movies = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
score = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
actor = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/p[1]/text()[1]')
time = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/p[1]/text()[2]')
for i in range(25):
    print("{} {} {} {}".format(movies[i],score[i],actor[i],time[i]))

在这里插入图片描述

好了，这个小爬虫就结束啦，记得点赞哦