Python爬虫实战第一例【一】

前情提要

今天我们开始更新Python爬虫实战例子，该系列预计会更很多很多期，因为实在有太多了！！

同样作为新人0，作者尽量在自己完全理解的基础上尽可能通俗易懂的讲解给大家，还望大家多多支持！

好了废话不多说，我们开始吧！

PS：对于该系列，你应该具备一定的计算机网络基础知识 、Python基础知识 、requests库知识 、JSON知识。

爬取豆瓣排行榜并提取评分

目标网址：豆瓣电影排行榜

第一步：Google开发者工具

使用Google开发者工具，可以右键页面空白处再点击"检查"即可。

按照图片指示，依次点击两处。

再在排行榜里随便选一个，这里我选择："喜剧"。

点击后可以看到开发者工具出现了下方两个文件，我们点击最后一个：

注意我们表头里面画红线的，就是我们后面需要的URL。

我们再往下拉，找到我们的浏览器配置【User-Agent】（反爬虫用的，很重要）

我们再点击载荷，查看我们的params参数：

可以看到里面有很多东西，虽然英语我们都懂，但是具体的含义我们不懂，那该怎么办呢？

不用急，这时候我们滑动鼠标滚轮将浏览器页面下滑，可以看到多了很多一摸一样的文件，我们再次随意打开一个：

注意到，当我们鼠标下滑大概20个电影后，就会出现一个新的文件，而且文件中的载荷除了"start"这一项不同以外，其它的都相同，由此可以确定，start是"电影开始的序号 "，limit是"每一个文件可以承载多少个电影"。

第二步：编写代码

在这里，我先给出一些配置代码：

复制代码

import requests
import json
#此处的url就是上面我们找到的url
url = "https://movie.douban.com/j/chart/top_list"
#这里的parmas参数对应的是我们找到的载荷，这里我设置从0开始，一共爬取200个电影
params = {
    "type":"24",
    "interval_id":"100:90",
    "action":"",
    "start": "0",
    "limit":"200"
}
#这里的headers头我们设置浏览器配置，用来反爬虫
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}

注意到上面的配置代码在我们第一步基本都已经找到了，下面我们来编写爬取代码：

复制代码

#创建一个get请求
response = requests.get(url=url,params=params,headers=headers)
#json方法用来提取get回答中的json格式的内容
content = response.json()
print(content)

打印结果为：

可以看到数据非常的多且乱，如果这样看的话会死掉的，为此我们需要开始分析数据，改造成我们人类可以阅读的格式。

复制代码

#查看content的类型是list【列表】
print(type(content))
#使用json的dumps方法将列表中的第一个元素切换为json格式，并且使用indent等参数变成便于阅读的格式
print(json.dumps(content[0],indent=4,ensure_ascii=False,separators=(",",": ")))

打印结果为：

可以看到"title"跟"score"两个键对应的内容正好是电影名字跟得分，我们只需要这两项即可，所以我们要想办法把这两项分离出来：

复制代码

#使用with语句打开文件
with open("豆瓣排行榜.txt","w",encoding="utf-8") as f:
     for item in content:
        #对每个item单独提取出title和score两个键
         title = item["title"]
         score = item["score"]
        #对文件写入
         f.write(title+"\t"+score+"\n")
     print("成功")

此时我们可以打开"豆瓣排行榜.txt"查看结果了：

总代码

复制代码

import requests
import json
#此处的url就是上面我们找到的url
url = "https://movie.douban.com/j/chart/top_list"
#这里的parmas参数对应的是我们找到的载荷，这里我设置从0开始，一共爬取200个电影
params = {
    "type":"24",
    "interval_id":"100:90",
    "action":"",
    "start": "0",
    "limit":"200"
}
#这里的headers头我们设置浏览器配置，用来反爬虫
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}
#创建一个get请求
response = requests.get(url=url,params=params,headers=headers)
#json方法用来提取get回答中的json格式的内容
content = response.json()
#查看content的类型是list【列表】
print(type(content))
#使用json的dumps方法将列表中的第一个元素切换为json格式，并且使用indent等参数变成便于阅读的格式
print(json.dumps(content[0],indent=4,ensure_ascii=False,separators=(",",": ")))

#使用with语句打开文件
with open("豆瓣排行榜.txt","w",encoding="utf-8") as f:
     for item in content:
         #对每个item单独提取出title和score两个键
         title = item["title"]
         score = item["score"]
         #对文件写入
         f.write(title+"\t"+score+"\n")
     print("成功")