热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

python3实现豆瓣top250电影信息爬取

#python3#网页基本电影信息提取,即不包括动态内容(评论内容等)#未写入文件,可自行添加#使用bs4,而不是正则#老规矩,有啥问题联系1467288927,一起

#python3

#网页基本电影信息提取,即不包括动态内容(评论内容等)

#未写入文件,可自行添加

#使用bs4,而不是正则

#老规矩,有啥问题联系1467288927,一起交流学习奋斗

  1. ##https://movie.douban.com/top250?start=0&filter=
    ##https://movie.douban.com/top250?start=25&filter=
    ##https://movie.douban.com/top250?start=50&filter=
    ##https://movie.douban.com/top250?start=225&filter=
    import time
    import requests
    from bs4 import BeautifulSoup
    ##import re
    class spider_douban():
        def __init__(self):
            self.href = []#电影链接
            self.movie_name = []#电影名:list中英other
            self.derector_act = []#电影导演和主演等
            self.review = []#简评
            self.comment = []#评分和评价数
            self.errors = []
        def getHtml(self,page):
            url = 'https://movie.douban.com/top250?start=%s&filter=' %page
            print("url:  "+url)
            req = requests.get(url)
        ##    req.encoding = "UTF-8"
            return req.text
    
        #bs4
        def parseHtml_bs4(self,text):
    
            soup = BeautifulSoup(text,"lxml")#解析器lxml或者html.parser
            cOntent= soup.select("#wrapper #content")#返回列表,列表内的内容才能select
            title = content[0].select("h1")[0].text#list没有text,所以得[0]先取出
        ##    print(title)
            content2 = content[0].select(".article .grid_view")
    ##        print(len(content2))
            for li in content2[0].select("li"):
                try:
                    #li>item下主要两个标签pic和info
            ##        pic_href = li.select(".item .pic")#该电影链接和图片,info中也有电影链接
            ##        href = pic_href[0].select("a")[0]["href"]
                    #info下主要两个标签hd>a和bd
                    hd = li.select(".item .info .hd a")#包括电影链接、中英文名、简评
                    self.href.append( hd[0]["href"])#电影链接
                    movie_namec_e = hd[0].select(".title")#返回列表[中文名,英文名]
            ##        for i in movie_namec_e:
            ##            print(i)
            ##        break
                    zh_name = movie_namec_e[0].text
                    try:#可能不存在英文名
                        en_name = movie_namec_e[1].text
                    except:
                        en_name = None
            ##        print(en_name)
            ##        break
                    try:
                        oth_name = hd[0].select(".other")[0].text
                    except:
                        oth_name = None
                    self.movie_name.append([zh_name,en_name,oth_name])
            ##        for i in L:
            ##            print (i)
                    bd = li.select(".item .info .bd")#包括导演、主演、发行时间国家、电影类型;评星评分和评价数;简评
            ##        print(bd)
                    movie_infor = bd[0].select("p")
                    self.derector_act.append(movie_infor[0].text)
                    self.review.append(movie_infor[1].text)#简评
            ##        print(derector_act,comment)
                    L2 = []
                    for span in bd[0].select(".star"):
            ##            print(span.text)
                        if span.text :
                            L2.append(span.text.strip("\n"))#评分和评价数
                    self.comment.append(L2)
            ##        print(L2)
        ##           break
                except Exception as e:
                    self.errors.append(e)
                    
        def save(self):
            if self.errors:#保存error信息
                print("(self.errors)It's bad,there is something wrong waiting for handling!!")
            else:
                print(None,"good")
    ##        for href,movie_name,derector_act,review,comment in\
    ##            zip(self.href,self.movie_name,self.derector_act, self.review, self.comment):
    ##            print(href,movie_name,derector_act,review,comment)
    ##            print("----------------")
        def page_to_page(self,start,end):
            i = 0
            while i <=9:
                getHtml(25*i)
    def start():
        startt = time.clock()
        errors = []#存放网页打不开等错误
        i = 0
        demo = spider_douban()
        while i<=9:
            try:
                text = demo.getHtml(25*i)
            except Exception as e:
                text = False
                errors.append(e)
            finally:
                if text:
                    demo.parseHtml_bs4(text)
                i +=1
        demo.save()
        if errors:
            print("It's bad,there is something wrong waiting for handling!!")
        else:
            print(None,"perfect!!")
        endt = time.clock()
        print("run over!!cost total_time:%s"%(endt - startt))
            
                
    if __name__ =="__main__":
        start()
    



推荐阅读
author-avatar
手机用户2502896043
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有