【Python-爬虫实战01】top250获取

文章目录

网络爬虫是一种获取互联网上数据的方法，但在实际应用中，需要注意网站可能采取的反爬虫策略。本文将介绍如何使用Python爬取xx电影Top250的数据，并探讨一些常见的反爬虫策略及应对方法。

1. 导入库

首先，需要导入requests库和BeautifulSoup库，以及csv库。

requests库用于访问目标网站，获取网页数据。
BeautifulSoup库用于处理requests获得的数据进行解析和处理。
csv库用于最后数据的存储。

import requests
from bs4 import BeautifulSoup
import csv

2. 发送HTTP请求获取页面内容

我们使用requests.get()函数发送GET请求，并模拟浏览器的请求头信息，以减少被网站识别为爬虫的风险。

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/88.0.4324.182 Safari/537.36'
}
response = requests.get(url, headers=headers)

3. 解析HTML内容

创建一个BeautifulSoup对象，并指定解析器和要解析的内容。

soup = BeautifulSoup(response.text, 'html.parser')

4. 定位和提取电影信息

两种方式：

4.1 select_one()

定位电影信息：根据HTML结构和标签的特点，使用BeautifulSoup提供的选择器方法定位电影信息的HTML元素。豆瓣电影Top250的每个电影都包含在一个class为’item’的div标签中，可以使用find_all方法定位所有的电影项。例如：

movie_items = soup.find_all('div', class_='item')

提取电影信息：遍历电影项列表，逐个提取电影的各个信息。可以使用find方法和CSS选择器来定位电影信息的具体元素。例如，电影的标题位于class为’title’的span标签中，可以使用select_one方法和CSS选择器提取标题。其他信息如评分、导演、演员等也可以通过类似的方式提取。例如：

for item in movie_items:
 title = item.select_one('.title').text
 rating = item.select_one('.rating_num').text
 director = item.select('.bd p')[0].text.strip()
 actors = item.select('.bd p')[1].text.strip()
 # 其他信息的提取...

4.2 find()

根据网页的HTML结构，使用find_all()方法定位包含电影信息的HTML元素，并使用循环遍历提取所需的信息。

movies = soup.find_all('div', class_='item')
data = []
for movie in movies:
    title = movie.find('span', class_='title').text # 电影名
    rating = movie.find('span', class_='rating_num').text #
    bd = (
        movie.find("div", class_="bd")
        .text.replace(" ", "")
        .replace("nnn", "n")
        .replace("nn", "n")
        .split("n")
    )
    data.append([title, rating])

5. 存储数据

将提取的电影信息存储到CSV文件中，以便后续分析和使用。

with open(r"测试movies.csv", "w", encoding="utf-8") as file:
    writer = csv.writer(file)
    writer.writerow(["电影名", "导演", "主演", "时间/地区/类型", "评分", "评价人数", "一句话评价"])
    writer.writerows(data)

遇到的问题：

1、处理数据时，正常存储显示的中文在写入到csv文件时变成了乱码，文件的编码未能正确处理中文，需要在写入csv文件时指定编码。

2、写入多出一行空白行

解决办法：
with open(filename, 'a', newline='', encoding='utf-8-sig') as f: 
    # 数据存储

6. 反爬虫策略及应对方法

在进行网页数据爬取时，网站可能采取一些反爬虫策略，例如设置访问频率限制、使用验证码、检测请求头信息等。以下是一些常

见的反爬虫策略及应对方法：

访问频率限制：使用time.sleep()函数随机延时，以避免过于频繁的请求。
使用代理IP：通过使用代理IP进行请求，隐藏真实的请求来源。
处理验证码：如果遇到验证码，可以使用第三方库进行自动识别或手动输入验证码。

请注意，尊重网站的爬虫规则是非常重要的，不要过度请求或对网站造成过大的负载。

完整代码及运行结果

import requests
from bs4 import BeautifulSoup
import csv

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/88.0.4324.182 Safari/537.36"
}
response = requests.get(url=url, headers=headers)
print(response.status_code)
soup = BeautifulSoup(response.text, "html.parser")

movies = soup.find_all("div", class_="item")
# print(movies)
data = []
for movie in movies:
    title = movie.find("span", class_="title").text
    # rating = movie.find("span", class_="rating_num").text
    # inq = movie.find("span", class_="inq").text
    bd = (
        movie.find("div", class_="bd")
        .text.replace(" ", "")
        .replace("nnn", "n")
        .replace("nnn", "n")
        .split("n")
    )
    bd = [x for x in bd if x != ""]
    bd = [x for y in bd for x in y.split("   ", 1)]
    data.append([title] + bd)

with open(r"测试movies.csv", "w", newline="", encoding="utf-8-sig") as file:
    writer = csv.writer(file)
    writer.writerow(["电影名", "导演", "主演", "时间/地区/类型", "评分", "评价人数", "一句话评价"])
    writer.writerows(data)

print("数据爬取完成并存储到movies.csv文件中。")

以上是使用Python爬取豆瓣电影Top250的完整代码。运行代码后，将会爬取电影的标题和评分信息，并存储到名为movies.csv的CSV文件中。

在这里插入图片描述

结语：
通过以上步骤，学习了如何使用Python和requests库爬取豆瓣电影Top250的数据，并介绍了一些常见的反爬虫策略及应对方法。希望本文能对您在网络爬虫项目中有所帮助，祝您成功获取所需的数据。

请记住，在进行爬虫行为时，应遵守法律法规和网站的爬虫规则，尊重网站的服务端资源。谨慎和负责任地使用爬虫技术，为网络空间的发展贡献自己的一份力量。