豆瓣电影排行榜数据抓取（高级）——BS4

BS4

网络爬虫

发布日期: 2019-05-04

网络爬虫——豆瓣电影排行榜数据抓取（高级）

目标网址：

豆瓣电影排行：https://movie.douban.com/top250?start=

目标数据描述：排名、电影名称、导演、主演、评价人数等信息，将尽可能多的数据抓取保存
在这里插入图片描述
任务明细：

（1）使用requests库实现该网站网页源代码的获取；

（2）使用BeautifulSoup对获取的源代码进行解析，并成功找到目标数据所在的特定标签，进行网页结构的解析；

（3）定义函数，将获取的目标数据打印输出，有能力的同学可以试着将结果写入文件中。

（4）使用框架式结构，通过参数传递实现整个特定数据的爬取。

可以选择定义全局列表，将目标数据获取后添加到列表中，同时，注意观察分页时url的变化，以便获取整个的排行榜数据。建议通过for循环传递变化参数实现。

源码

import requests
from bs4 import BeautifulSoup
import bs4 

def getHtmlText(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36 Edg/80.0.361.69'        
    }
    try:
        result = requests.get(url,headers=headers,timeout=30)
        result.raise_for_status()
        result.encoding = result.apparent_encoding
        result=(result.text.replace('
','')).replace('
','')
        return result
    except:
        return ""

def findUniverse(ulist , html):
    soup = BeautifulSoup(html,"html.parser")   
    list_ = [0,0,0,0,0,0,0]

    for li in soup.find(attrs=['class','grid_view']).children:
        if isinstance(li ,bs4.element.Tag):
            list_[0] = li.find('em').string
            list_[1] = li.find(attrs=['class','title']).string
            list_[2] = li.find(attrs=['class','bd']).find(attrs=['class','']).string.strip().split(" ")[1].replace(" ",'')
            list_[3] = li.find(attrs=['class','bd']).find(attrs=['class','']).string.strip().split(" ")[4].replace(" ",'')      
            list_[4] = li.find(attrs=['class','star']).span.find_next_sibling().string.strip()
            list_[5] = li.find(attrs=['class','star']).span.find_next_sibling().find_next_sibling().find_next_sibling().string.strip()
            if li.find(attrs=['class','quote']) is  not None:
                list_[6] = li.find(attrs=['class','quote']).span.string
            else:
                list_[6] = None

            ulist.append([list_[0],list_[1],list_[2],list_[3],list_[4],list_[5],list_[6]])

def printUniverse(ulist):
    tplt = '{0:^4}\t{1:^10}\t{2:10}\t{3:10}\t{4:10}\t{5:10}'
    print(tplt.format("排名","电影名称","导演","主演","评分","评价人数",chr(12288)))
    for i in range(len(ulist)):
        u = ulist[i]
        print(tplt.format(u[0],u[1],u[2],u[3],u[4],u[5],chr(12288)))

def main():
    ulist = [] 
    for i in range(10):
        url =  'https://movie.douban.com/top250?start=' + str( 25 * i ) 
        html = getHtmlText(url)
        findUniverse(ulist,html)

    printUniverse(ulist)

main()