Python爬蟲獲取豆瓣電影并寫入excel

更新時間：2020年07月31日 09:23:17 作者：This_is_Y

這篇文章主要介紹了Python爬蟲獲取豆瓣電影并寫入excel ,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

豆瓣電影排行榜前250 分為10頁，第一頁的url為https://movie.douban.com/top250,但實際上應該是https://movie.douban.com/top250?start=0 后面的參數(shù)0表示從第幾個開始，如0表示從第一（肖申克的救贖）到第二十五（觸不可及），https://movie.douban.com/top250?start=25表示從第二十六（蝙蝠俠：黑暗騎士）到第五十名（死亡詩社）。等等，

所以可以用一個步長為25的range的for循環(huán)參數(shù)

復制代碼代碼如下:

for i in range(0, 250, 25): print(i)

分析完頁面組成后，開始獲取頁面，直接request.get()發(fā)現(xiàn)沒有返回任何東西，輸出一下響應碼

url = 'https://movie.douban.com/top250?start=0'res = request.get(url=url)print(res.status_code)

發(fā)現(xiàn)返回響應碼418

以前沒見過這個，拉網(wǎng)線上網(wǎng)查一下，發(fā)現(xiàn)給get里面加一個header參數(shù)就行了

這里可以用自己瀏覽器的user-agent，如

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}

或者用fake_agent(安裝直接用pip install fake_agent) 來為自己生成一個隨機的agent添加到header字典中

from fake_useragent import UserAgentheaders = {'User-Agent': UserAgent().random}

之后就可以得到頁面源碼了。

然后使用lxml.etree，即xpath解析頁面源碼。用瀏覽器插件xpath finder快速定位到元素

import requests
import lxml.etree as etree
url = 'https://movie.douban.com/top250?start=0'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}
res = requests.get(url=url, headers=headers)
print(res.text)

html = etree.HTML(res.text)
name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]")
print(name)

但是直接這樣子，解析到的是這樣的結(jié)果

[<Element span at 0x20b2f0cc488>]

關(guān)于這東西是什么，有文章寫的很好：http://www.dhdzp.com/article/132145.htm

這里我直接寫解決部分，在使用xpath解析時，后面加上/text()

name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()")

解決后，再使用xpath finder插件，一步一步獲取到電影所有數(shù)據(jù)

最后把這個寫在函數(shù)里，外面再套上一開始說的循環(huán)，就OK了

 # -*- coding: utf-8 -*-

import requests
import lxml.etree as etree


def get_source(page):
  url = 'https://movie.douban.com/top250?start={}'.format(page)
  headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}
  print(url)
  res = requests.get(url=url, headers=headers)
  print(res.status_code)
  html = etree.HTML(res.text)
  for i in range(1, 26):
    name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[1]/a/span[1]/text()".format(i))
    info = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[1]/text()".format(i))
    score = html.xpath(
      "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/div/span[2]/text()".format(i))
    slogan = html.xpath(
      "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[2]/span/text()".format(i))
    print(name[0])
    print(info[0].replace(' ', ''))
    print(info[1].replace(' ', ''))
    print(score[0])
    print(slogan[0])


n = 1
for i in range(0, 250, 25):
  print('第%d頁' % n)
  n += 1
  get_source(i)
  print('==========================================')

在定位時，發(fā)現(xiàn)有4部電影介紹沒有slogan，導致獲取到的信息為空列表，也就導致了list.append()會出錯。所以我加上了幾個差錯處理，解決方式可能有點傻，如果有更好的解決辦法，洗耳恭聽

代碼在最后可以看到

EXCEL保存部分

這里我用的xlwt

book = xlwt.Workbook()

sheet = book.add_sheet(u'sheetname', cell_overwrite_ok=True)

創(chuàng)建一個sheet表單。

數(shù)據(jù)保存到一個大列表中，列表嵌套列表

再通過循環(huán)把數(shù)據(jù)導入到excel表單中

r = 1
  for i in LIST: #有10頁
    for j in i:  #有25條數(shù)據(jù)
      c = 2
      for x in j:    #有5組數(shù)據(jù)
        print(x)
        sheet.write(r, c, x)
        c += 1
      r += 1

最后在保存一下

book.save(r'douban.xls')

注意文件后綴要用xls，用xlsx會導致文件打不開

然后就大功告成了

打開文件，手動加入排名，等部分信息（這些也可以在程序里完成，我嫌麻煩，就沒寫，直接手動來的快）

前面的✓是我自己整的，用于記錄那些看過，那些沒看過

這也是我寫這個東西的最初的目的

完整代碼在下面，僅用于參考

# -*- coding: utf-8 -*-

import requests
import lxml.etree as etree
import xlwt

def get_source(page):
  List = []
  url = 'https://movie.douban.com/top250?start={}'.format(page)
  headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}
  print(url)
  res = requests.get(url=url, headers=headers)
  print(res.status_code)
  html = etree.HTML(res.text)
  for i in range(1, 26):
    list = []
    name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[1]/a/span[1]/text()".format(i))
    info = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[1]/text()".format(i))
    score = html.xpath(
      "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/div/span[2]/text()".format(i))
    slogan = html.xpath(
      "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[2]/span/text()".format(i))
    try:
      list.append(name[0])
    except:
      list.append('----')
    try:
      list.append(info[0].replace(' ', '').replace('\n', ''))
    except:
      list.append('----')
    try:
      list.append(info[1].replace(' ', '').replace('\n', ''))
    except:
      list.append('----')
    try:
      list.append(score[0])
    except:
      list.append('----')
    try:
      list.append(slogan[0])
    except:
      list.append('----')

    List.append(list)

  return List


n = 1
LIST = []
for i in range(0, 250, 25):
  print('第{}頁'.format(n))
  n += 1
  List = get_source(i)
  LIST.append(List)


def excel_write(LIST):
  book = xlwt.Workbook()
  sheet = book.add_sheet(u'sheetname', cell_overwrite_ok=True)
  r = 1
  for i in LIST: #有10頁
    for j in i:  #有25條數(shù)據(jù)
      c = 2
      for x in j:    #有5組數(shù)據(jù)
        print(x)
        sheet.write(r, c, x)
        c += 1
      r += 1

  book.save(r'douban1.xls')  #保存代碼
excel_write(LIST)

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: