使用爬虫爬取豆瓣2016电影榜单中所有电影信息

 

爬虫每日篇—-今天使用爬虫爬取豆瓣2016电影榜上所有电影信息，本来以为豆瓣这种大社区的防御做的会很好，看到是HTTPS协议，我都准备写一大串头部去模拟用户了，没想到一个urlopen就直接获取了，可能是网站设计者故意没做的很封闭，让我有机可乘。这是网址(https://www.douban.com/doulist/3516235/?start=0&sort=seq&sub\_type=)，大家可以先看看。

如图，这就是网页的基本情况，大家可以先去看看网页源代码，我现在要做的就是把每个电影的整个\<div\>提取出来,代码直接用urlopen弄了出来，我先保存到一个文件里，要慢慢的测试，直接用文件里的代码就可以了，省得每次都抓取页面。

<pre class="lang:php decode:true "># -*- coding: utf-8 -*-
import urllib2
import re
from bs4 import BeautifulSoup
def get_html(url):
result = urllib2.urlopen(url)
return result.read()
def save_file(text, filename):
f= open(filename,'w')
f.write(text)
f.close()
def read_file(filename):
f = open(filename,'r')
text = f.read()
f.close()
return text
if __name__=='__main__':
url = 'https://www.douban.com/doulist/3516235/'
html = get_html(url)
save_file(html,'thefile.txt')</pre>

下一步对抓取的代码开始提取，每个电影的介绍都包含在一对div中

使用BeautifulSoup来提取

html = read_file('thefile.txt')
soup = BeautifulSoup(html)
text = soup.find_all('div', class_='bd doulist-subject')
save_file(str(text),'thefile.txt')

效果如下图

每个电影的信息都提取出来了，我想要的是电影的名称，评分，人员，上映日期，所以我只提取这些内容，大家可以按照自己的需求写。

def get_movie_one(movie):
result = []
soup_all = BeautifulSoup(str(movie))
title = soup_all.find_all('div', class_='title')
soup_title = BeautifulSoup(str(title[0]))
for line in soup_title.stripped_strings: # 对获取到的<a>里的内容进行提取
print line
num = soup_all.find_all('span', class_='rating_nums')
print num[0].contents[0]
info = soup_all.find_all('div', class_='abstract')
soup_info = BeautifulSoup(str(info[0]))
for line in soup_info.stripped_strings: # 对获取到的</a><a>里的内容进行提取
print line</a>

## 结果：
一切都好
6.4
导演: 张猛
主演: 张国立 / 姚晨 / 窦骁
类型: 剧情 / 家庭
制片国家/地区: 中国大陆
年份: 2016

第一个已经成功了，现在就开始批量的操作，一共有425个电影，我每提取一个就存到文件里，这是第一页25个电影提取出来的效果。

下面是全部的代码，大家可以参考一下。

#!/usr/bin/env python

-*- coding=utf-8 -*-

import sys
reload(sys)
sys.setdefaultencoding( “utf-8” )
import urllib2
import re
import time
from bs4 import BeautifulSoup
def get_html(url): #通过url获取网页内容
result = urllib2.urlopen(url)
return result.read()
# save_file(result.read(), ‘thefile.txt’)
def get_movie_all(html): #通过soup提取到每个电影的全部信息，以list返回
soup = BeautifulSoup(html)
movie_list = soup.find_all(‘div’, class_=’bd doulist-subject’)
return movie_list
def get_movie_one(movie):
result = [] # 用于存储提取出来的电影信息
soup_all = BeautifulSoup(str(movie))
title = soup_all.find_all(‘div’, class_=’title’)
soup_title = BeautifulSoup(str(title[0]))
for line in soup_title.stripped_strings: # 对获取到的里的内容进行提取
result.append(line)

# num = soup\_all.find\_all('span', class\_='rating\_nums')
num = soup\_all.find\_all('span')
result.append(num\[1\].contents\[0\])

soup\_num = BeautifulSoup(str(num\[0\]))
for line in soup\_num.stripped\_strings:  # 对获取到的<span>里的内容进行提取
    result = result + line

info = soup\_all.find\_all('div', class\_='abstract')
soup\_info = BeautifulSoup(str(info\[0\]))
result\_str = ""
for line in soup\_info.stripped\_strings:  # 对获取到的<div>里的内容进行提取
    result\_str = result\_str + line
result.append(result\_str)
return result  #返回获取到的结果

def save_file(text, filename): #保存网页到文件
f= open(filename,’ab’)
f.write(text)
f.close()
def read_file(filename): #读取文件
f = open(filename,’r’)
text = f.read()
f.close()
return text

if __name__==’__main__‘:
for i in range(0,426,25):
url = ‘https://www.douban.com/doulist/3516235/?start='+str(i)+'&sort=seq&sub\_type= ‘
html = get_html(url)
movie_list = get_movie_all(html)
for movie in movie_list: #将每一页中的每个电影信息放入函数中提取
result = get_movie_one(movie)
text = ‘’+’电影名：’+str(result[0])+’ 评分：’+str(result[1])+’ ‘+str(result[2])+’\n’+’\t’
save_file(text,’thee.txt’)
time.sleep(5) #每隔5秒抓取一页的信息