【python爬虫】豆瓣爬虫学习

文章目录

网页地址
爬虫目标
技术栈
爬虫代码
注意事项

Python爬虫学习 ：我们可以选择一个相对简单的网站进行数据抓取。这里以抓取"豆瓣电影Top250"的信息为例，这个网站提供了丰富的电影数据，包括电影名称、评分、导演、演员等信息。

网页地址

https://movie.douban.com/top250

爬虫目标

抓取每部电影的名称、评分、简介和前几位主演的名字。

技术栈

Python 3.x
requests：用于发送HTTP请求。
BeautifulSoup4：用于解析HTML文档。

爬虫代码

首先，确保你已经安装了requests和beautifulsoup4库，如果没有安装，可以通过以下命令安装：

bash 复制代码

pip install requests beautifulsoup4

以下是完整的爬虫代码：

python 复制代码

# 导入requests库用于发送HTTP请求
import requests
# 导入BeautifulSoup库用于解析HTML文档
from bs4 import BeautifulSoup

# 定义一个函数用于获取电影数据
def fetch_movie_data():
    # 设置请求的URL，这里是豆瓣电影Top 250的页面
    url = "https://movie.douban.com/top250"
    # 设置请求头，伪装成浏览器访问
    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'
    }
    
    # 发送GET请求，获取页面内容
    response = requests.get(url, headers=headers)
    # 使用BeautifulSoup解析获取到的页面内容
    soup = BeautifulSoup(response.text, 'html.parser')
    
    # 查找页面中所有的电影条目
    movies = soup.find_all('div', class_='item')
    
    # 遍历每部电影条目
    for movie in movies:
        # 提取电影标题
        title = movie.find('span', class_='title').text
        # 提取电影评分
        rating = movie.find('span', class_='rating_num').text
        # 提取电影的详细信息，这里只取第一行
        info = movie.find('div', class_='bd').find('p').text.strip().split('\n')[0]
        
        # 提取主演信息，可能有多个主演，通过分割和筛选获取
        actors = [actor.strip() for actor in info.split('/') if actor.strip().startswith('主演')]
        # 如果有主演信息，去除'主演:'并用逗号连接，否则显示'N/A'
        actors = ', '.join(actors).replace('主演:', '') if actors else 'N/A'
        
        # 打印电影的标题、评分和主演信息
        print(f"Title: {title}")
        print(f"Rating: {rating}")
        print(f"Actors: {actors}\n")

# 判断是否是直接运行此脚本，如果是，则调用fetch_movie_data函数
if __name__ == "__main__":
    fetch_movie_data()

代码解释：

这段Python代码定义了一个函数fetch_movie_data()用于从豆瓣电影Top250页面抓取电影数据，包括电影标题、评分以及主演信息，并打印这些信息。

下面是代码的详细解释：

导入必要的库：
- requests：用于发送HTTP请求。
- BeautifulSoup：用于解析HTML文档。
定义fetch_movie_data函数：
- 设置目标URL为豆瓣电影Top250页面。
- 设置请求头headers，其中包含一个模拟浏览器的User-Agent字符串，这是为了绕过网站可能的反爬虫机制。
发送GET请求并解析HTML：
- 使用requests.get方法发送GET请求到指定URL，获取响应文本。
- 使用BeautifulSoup解析响应文本，创建一个soup对象，这个对象可以用来解析和提取HTML元素。
提取电影信息：
- 使用soup.find_all找到所有的电影条目，每个电影条目是一个div标签，类名为item。
- 对于每部电影，使用find方法来查找特定的信息：
  - 电影名称：查找类名title的span标签。
  - 评分：查找类名rating_num的span标签。
  - 信息：查找div标签下的p标签，此标签通常包含电影的年份、国家、类型及演员等信息。
- 从info中提取主演信息，通过查找以"主演"开始的字符串，然后去除"主演:"，并将所有主演名字用逗号连接起来。
打印电影信息：
- 打印电影标题、评分和主演信息。
执行函数：
- 在__main__模块下调用fetch_movie_data函数，执行抓取和打印操作。

注意事项

遵守网站规则 ：在实际操作中，请确保你的行为符合目标网站的robots.txt文件规定，不要对服务器造成过大负担。
动态加载内容：有些网站使用JavaScript动态加载内容，这可能需要使用如Selenium这样的工具来模拟浏览器行为。
错误处理：在实际应用中，应加入更完善的错误处理机制，比如重试策略、超时设置等。

漠漠水田飞白鹭，阴阴夏木啭黄鹂。