查看影片的详细信息

进入豆瓣电影Top250，选择某一影片，右击，选择“检查元素”。

爬取过程

需安装的包

安装requests、etree、json。

// An highlighted block
import json
import requests
from lxml import etree

确定爬取地址

由于豆瓣电影Top250是分页的，即计划爬取的影片信息分布在不同的页面上，其对应的网址不同，故需对不同的爬取地址统一格式。

代码如下：

// An highlighted block
url_list=[]
base_url="https://movie.douban.com/top250?start={}&filter="
for i in range(0,10):
    url=base_url.format(i*25)
    url_list.append(url)
print(url_list)

发送请求头

很多网站有反爬虫机制，如果发送没有haeders信息的请求，会被认为是爬虫，则会被禁止请求。设置header，通过request发送请求头。header中必须包含的信息有User_Agent，还可包括Host、Referer、Cookie等，查看方式如下。

发送请求代码如下：

// An highlighted block
header={    
  " Host": "movie.douban.com"，
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"
    #Referer Cookie
}
for url in url_list:
    data=requests.get(url,headers=header,allow_redirects=False).content.decode()
    print(data)

解析数据

可利用BeautifulSoup或etree.HTML解析数据，此处使用后者。

// An highlighted block
xpath_data=etree.HTML(data)

通过下图，可以看到每一影片的完整信息对应的源代码为<div class="item">，影片题目对应的源代码为<a href="https://movie.douban.com/subject/1292052/">，影片导演及出版信息等对应的源代码为<p class="">，影片评分对应的源代码为<div class="star">，影片简介对应的源代码为<p class="quote">。

进一步解析代码如下：

// An highlighted block
xpath_data=etree.HTML(data)
movie_list=xpath_data.xpath('//div[@class="item"]')  #获取每一部电影的全部信息
data_list=[]
for movie in move_list:
    movie_dic={}
    movie_dic['herf']=movie.xpath('.//div[@class="hd"]/a/@herf')[0]  #获取每一部电影的链接
    movie_dic['name']=movie.xpath('.//a/span/text()')[0]  #获取每一部电影的名字
    movie_dic['dir&act']=movie.xpath('.//div[@class="bd"]/p/text()')[0] .replace('\n','').replace(' ','')  #获取每一部电影的导演和演员
    movie_dic['year&coun&class']=movie.xpath('.//div[@class="bd"]/p/text()')[1] .replace('\n','').replace(' ','')  #获取每一部电影的放映时间、出版国家、标签
    movie_dic['rating']=movie.xpath('.//div[@class="star"]/span/text()')[0]   #获取每一部电影的评分
    movie_dic['comment']=movie.xpath('.//div[@class="star"]/span/text()')[1]  #获取每一部电影的评论人数
    movie_dic['summary']=movie.xpath('p[@class="quote"]/span/text()')[0].replace(' ','')  #获取每一部电影的简介
    data_list.append(movie_dic)
print(data_list)

保存数据

将解析得到的数据保存为json格式，代码如下：

// An highlighted block
json.dump(data_list,open('movie_250.json','w',encoding='UTF-8'))

完整代码

爬取豆瓣电影Top250影片信息的完整代码如下：

// An highlighted block
import json
import requests
from lxml import etree
#构建所有的url
base_url="https://movie.douban.com/top250?start={}&filter="
url_list=[]
for i in range(0,10):
    url=base_url.format(i*25)
    url_list.append(url)
print(url_list)

#数据爬取
header={
    "Host": "movie.douban.com",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763"
    #Referer Cookie
}
data_list=[]

for url in url_list:
    
    #发送请求
    data=requests.get(url,headers=header,allow_redirects=False).content.decode()
    print(data)
    
    #解析数据
    xpath_data=etree.HTML(data)
    movie_list=xpath_data.xpath('//div[@class="item"]')  #获取每一部电影的全部信息
    
    for movie in movie_list:
        movie_dic={}
        movie_dic['herf']=movie.xpath('.//div[@class="hd"]/a/@href')[0]  #获取每一部电影的链接
        movie_dic['name']=movie.xpath('.//a/span/text()')[0]  #获取每一部电影的名字
        movie_dic['dir&act']=movie.xpath('.//div[@class="bd"]/p/text()')[0] .replace('\n','').replace(' ','')  #获取每一部电影的导演和演员
        movie_dic['year&coun&class']=movie.xpath('.//div[@class="bd"]/p/text()')[1] .replace('\n','').replace(' ','')  #获取每一部电影的放映时间、出版国家、标签
        movie_dic['rating']=movie.xpath('.//div[@class="star"]/span/text()')[0]   #获取每一部电影的评分
        movie_dic['comment']=movie.xpath('.//div[@class="star"]/span/text()')[1]  #获取每一部电影的评论人数
        movie_dic['summary']=movie.xpath('.//p[@class="quote"]/span/text()')   #获取每一部电影的简介
        data_list.append(movie_dic)

#存储数据
json.dump(data_list,open('movie_250.json','w',encoding='UTF-8'))

参考资料：廖雪峰爬虫课程