Python爬虫抓取豆瓣TOP250数据

目录

一、开门见山，探究网页结构

二、确定思路

1.拿到页面源代码/响应

2.编写正则，提取页面数据

3.保存数据

三、步骤详解

1.初步爬取

2.绕过反爬

3.编写正则表达式与正则匹配

4.翻页爬取

5.注意点

---

🌟 Hello，我是蒋星熠Jaxonic！
🌈 在浩瀚无垠的技术宇宙中，我是一名执着的星际旅人，用代码绘制探索的轨迹。
🚀 每一个算法都是我点燃的推进器，每一行代码都是我航行的星图。
🔭 每一次性能优化都是我的天文望远镜，每一次架构设计都是我的引力弹弓。
🎻 在数字世界的协奏曲中，我既是作曲家也是首席乐手。让我们携手，在二进制星河中谱写属于极客的壮丽诗篇！

---

一、开门见山，探究网页结构

在爬取之前我们要确定需要的数据究竟是在页面源代码里，还是不在页面源代码里（是不是一次性全加载进来的），如果页面源代码里没有想要的数据，说明还有其它请求获取的数据。

让我们打开页面：

右键查看页面源代码，Ctrl+/页面搜索关键词：肖申克

可以看到这时候我们需要的数据是都在页面源代码里的，验证了我们的想法：该页面数据是一次性全加载进来的,因此得到以下思路。

---

二、确定思路

1.拿到页面源代码/响应

2.编写正则，提取页面数据

3.保存数据

---

三、步骤详解

1.初步爬取

1.1 确定请求方式

接下来按F12，进入开发者工具看看怎么个事儿，发现有个Top250（这个就是第一页的页面url链接，即响应就是页面源代码）

1.2 引入request模块

发现这里的请求是Get,因此引入request模块，导入request.get(页面链接)

​

import requests

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

resp=requests.get(url)  #获取对应页面url的请求响应

pageSource=resp.text   #把页面源代码输出

print(pageSource)  #打印

这时候运行发现结果是空的：
​

2.绕过反爬

2.1 加入请求头

说明缺少一个反爬的验证，浏览器自动拦截了，这时候需要加一个请求头

import requests

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

headers={

"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/141.0.0.0 Safari/537.36 Edg/141.0.0.0"

}
resp=requests.get(url,headers=headers)

pageSource=resp.text

print(pageSource)

这样就可以了：

​

3.编写正则表达式与正则匹配

3.1 编写正则表达式

接下来就需要进行数据分离：

引入re模块，编写正则表达式：

首先从标题开始提取，从<div class="item">为开头，目标是第二个框里的文字内容，这时候需要用到惰性匹配：.*?

​

3.2 对比表格

特性	.* (贪婪)	.*? (非贪婪/懒惰)
核心原则	匹配尽可能多的字符	匹配尽可能少的字符
别名	贪婪模式	非贪婪模式、懒惰模式、最小匹配模式
回溯行为	先吃到尾，再往回找	吃一个看一次，满足就停
示例文本	Hello "World" and "Universe"	Hello "World" and "Universe"
正则	".*"	".*?"
匹配结果	一个结果："World" and "Universe"	两个结果："World" 和 "Universe"
适用场景	匹配大块的、从开始标志到结束标志之间的所有内容	匹配多个、成对标签/引号之间的单个内容

这里样例的惰性匹配的结果是两个结果的额原因是开启了全局模式

没有 g 标志：

• 引擎在找到第一个匹配项后就停止。

有 g 标志：

• 引擎在找到第一个匹配项后，会从上次匹配结束的位置开始，继续寻找下一个匹配项。

但是这里还有一个坑，那就是.在匹配的时候是跳过所有非换行符的内容

而re.S可以让正则表达式中的.匹配换行符

#编写正则表达式
re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)

3.3 进行正则匹配

接下来进行正则匹配：

#进行正则匹配
result=obj.finditer(pageSource)
for item in result:
    print(item.group("name"))

​

然后根据上面的规则对源代码进行匹配：

#编写正则表达式
obj=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<div class="bd">'
               r'.*?<p>.*?导演: (?P<dao>.*?)&nbsp;'
               r'.*?<br>(?P<year>.*?)&nbsp;.*?<span class="rating_num" property="v:average">(?P<score>.*?)</span>'
               r'.*?<span>(?P<num>.*?)人评价</span>',re.S)

#进行正则匹配
result=obj.finditer(pageSource)
for item in result:
    name=item.group("name")
    dao=item.group("dao")
    year = item.group("year").strip()   #去掉字符串两侧的空白
    score = item.group("score")
    num = item.group("num")
    print(name,dao,year,score,num)

得到了结果：

3.4 保存文件

接下来保存为文件：

f=open("top250.csv",mode="w",encoding='utf-8')

导出数据：

f.write(f"{name}{dao}{year}{score}{num}\n")

爬取一页的完整代码：

# 思路：
#
# 1.拿到页面源代码
#
# 2.编写正则，提取页面数据
#
# 3.保存数据

import requests
import re

f=open("top250.csv",mode="w",encoding='utf-8')



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

headers={

"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/141.0.0.0 Safari/537.36 Edg/141.0.0.0"

}
resp=requests.get(url,headers=headers)
resp.encoding="utf-8"  #解决乱码问题
pageSource=resp.text

#编写正则表达式
obj=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<div class="bd">'
               r'.*?<p>.*?导演: (?P<dao>.*?)&nbsp;'
               r'.*?<br>(?P<year>.*?)&nbsp;.*?<span class="rating_num" property="v:average">(?P<score>.*?)</span>'
               r'.*?<span>(?P<num>.*?)人评价</span>',re.S)

#进行正则匹配
result=obj.finditer(pageSource)
for item in result:
    name=item.group("name")
    dao=item.group("dao")
    year = item.group("year").strip()   #去掉字符串两侧的空白
    score = item.group("score")
    num = item.group("num")
    f.write(f"{name}{dao}{year}{score}{num}\n")
    print(name,dao,year,score,num)


f.close()
resp.close()

print("豆瓣Top250提取完毕")

这时候思考，现在的代码只能爬取一页的25条信息，如何爬取全部250条？

4.翻页爬取

由于发现每跳转一页页面url的start都会增加25，因此得出可以用while循环来爬取全部数据

start=（页数-1）*25

---

四、完整代码与注意点

1.完整代码

# 思路：
#
# 1.拿到页面源代码
#
# 2.编写正则，提取页面数据
#
# 3.保存数据

import requests
import re

f=open("top250.csv",mode="w",encoding='utf-8')
#start=（页数-1）*25
page=1

while page<=10:
    url=f"https://movie.douban.com/top250?start={(page - 1) * 25}&filter="

    headers={

    "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/141.0.0.0 Safari/537.36 Edg/141.0.0.0"

    }
    resp=requests.get(url,headers=headers)
    resp.encoding="utf-8"  #解决乱码问题
    pageSource=resp.text

    #编写正则表达式
    obj=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<div class="bd">'
                   r'.*?<p>.*?导演: (?P<dao>.*?)&nbsp;'
                   r'.*?<br>(?P<year>.*?)&nbsp;.*?<span class="rating_num" property="v:average">(?P<score>.*?)</span>'
                   r'.*?<span>(?P<num>.*?)人评价</span>',re.S)

    #进行正则匹配
    result=obj.finditer(pageSource)
    for item in result:
        name=item.group("name")
        dao=item.group("dao")
        year = item.group("year").strip()   #去掉字符串两侧的空白
        score = item.group("score")
        num = item.group("num")
        f.write(f"{name}{dao}{year}{score}{num}\n")
        print(name,dao,year,score,num)
    print(f"第{page}页爬取完成")

    page = page + 1



f.close()
resp.close()

print("豆瓣Top250提取完毕")

2.注意点

解释一下

url=f"https://movie.douban.com/top250?start={(page - 1) * 25}&filter="

这里的f必须要加

不加 f 的情况：

url="https://movie.douban.com/top250?start={(page - 1) * 25}&filter="

实际URL变成了：

https://movie.douban.com/top250?start={(page - 1) * 25}&filter=

注意：{(page - 1) * 25} 被当作普通字符串，而不是要计算的表达式。无论 page 是多少，URL 始终是这个固定的字符串。

豆瓣服务器收到这个请求时，看到 start={(page - 1) * 25}，它不知道这是什么，通常会将其视为 start=0 或者忽略这个参数，所以每次都返回第一页的数据。

---

五、结果展示

成功爬取250条数据~

■ 我是蒋星熠Jaxonic！如果这篇文章在你的技术成长路上留下了印记
■ 👁 【关注】与我一起探索技术的无限可能，见证每一次突破
■ 👍 【点赞】为优质技术内容点亮明灯，传递知识的力量
■ 🔖 【收藏】将精华内容珍藏，随时回顾技术要点
■ 💬 【评论】分享你的独特见解，让思维碰撞出智慧火花
■ 🗳 【投票】用你的选择为技术社区贡献一份力量
■ 技术路漫漫，让我们携手前行，在代码的世界里摘取属于程序员的那片星辰大海！