美文网首页
豆瓣top250电影爬虫

豆瓣top250电影爬虫

作者: 南宫涵夏 | 来源:发表于2020-02-27 11:20 被阅读0次

前些时候老师布置了一个小作业,让爬取豆瓣top250电影的相关信息,把每一部电影的信息以txt文本保存,并下载电影海报图片,一部电影创建一个文件夹。

代码编写分为如下几步

1.创建文件夹

2.访问网站

3.爬取文本信息并保存到相应文件夹

4.下载图片并保存到相应文件夹

豆瓣官网有时爬虫会进不去,所以需要加个headers或者使用ip代理,这里我使用的是headers,大部分情况下这个方法足够了。


from lxml import etree

import requests

import os,sys

from bs4 import BeautifulSoup

headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '

                        'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'

          }

Top = 1

#先创建文件夹

print("开始创建文件夹……")

for r in range(250):

    v_foleder="D://豆瓣top250"

    Vname_list=os.listdir(v_foleder)

    # 指定路径创建新文件夹

    file_path='D://豆瓣top250'+"//"+str(r+1)

    r=r+1

    if not os.path.exists(file_path): # 判断文件夹是否已经存在

        os.mkdir(file_path)

    else:

        print(file_path + ' 目录已存在')

print("创建文件夹完成")

# 获取文本信息

def getHTMLText(url):

    try:

        r = requests.get(url,headers=headers,timeout=30)

        r.raise_for_status()

        r.encoding = r.apparent_encoding

        return r.text

    except:

        return '产生异常'

def getInfo(url):

    html = requests.get(url, headers=headers, timeout=30)

    # print(html.status_code)

    root = etree.HTML(html.content)

    # <div class="info">

    for InformationBlock in root.xpath('//div[@class="info"]'):

        # 影片名称

        title = InformationBlock.xpath('div[@class="hd"]/a/span[@class="title"]/text()')[0]

        # print(title)

        # <div class="bd">块,导演、演员、上映时间、制片国家、影片类型在一个<p>里

        info = InformationBlock.xpath('div[@class="bd"]/p[1]/text()')

        # print(type(info))

       

        # 导演和主演

        try:

            directorandStar = info[0].replace(" ", "").replace("\n", "").replace(".","").split("/")[0]

        except:

            directorandStar = " "

           

        # 上映日期

        date ="上映日期:"+ info[1].replace(" ", "").replace("\n", "").split("/")[0]

        # 制片国家

        country ="制片国家:"+ info[1].replace("", "").replace("\n", "").split("/")[1]

        # 影片类型

        geners ="影片类型:"+ info[1].replace("", "").replace("\r\n", "").split("/")[2]

        # 评分

        rate = "评分:"+InformationBlock.xpath('div[@class="bd"]/div/span[2]/text()')[0]

        # 评论人数

        comCount ="评论人数:"+ InformationBlock.xpath('div[@class="bd"]/div/span[4]/text()')[0]

        #寄语

        try:

            quote = "寄语:"+InformationBlock.xpath('div[@class="bd"]/p[2]/span[1]/text()')[0]

        except:

            quote = " "

        global Top

        #shell显示进度

        print(Top, title,directorandStar, rate, date, country, geners, comCount, quote)

        print("---------------------------------------------------------")

     

        datas= (("{},{},{},{},{},{},{},{},{}").format(Top, title,directorandStar, rate, date, country, geners, comCount, quote))

     

        base='D://豆瓣top250'+"//"+str(Top)

        path = base +"//"+ title+".txt"

        with open(path, "w", newline="", encoding="utf_8_sig") as f:

                f.write(datas)

               

        Top += 1

# 翻页

def nextPage():

    for i in range(0, 250, 25):

        url = 'https://movie.douban.com/top250?start={}&filter='.format(i)

        getInfo(url)

#创建txt

if __name__ == '__main__':

# 给文件加头部标题

    with open('D://豆瓣top250//包含内容.txt', "w", newline="", encoding="utf_8_sig") as f:

        f.write("Top,title,directorandStar,rate,date,country,geners,comCount,quote"+"\n")

    nextPage()

#创建jpg

if __name__ == '__main__':

    i = 0

    urls = ['https://movie.douban.com/top250?start='+str(n)+'&filter=' for n in range(0,250,25)]

    for url in urls:

        r = getHTMLText(url)

        soup = BeautifulSoup(r,'html.parser')

        titles = soup.select('div.hd a')

        rates = soup.select('span.rating_num')

        pics = soup.select('img[width="100"]')

        for title,rate,pic in zip(titles,rates,pics):

            data={'title':list(title.stripped_strings),

                  'rate':rate.get_text(),

                  'pic':pic.get('src')}

            i+=1

            middlename = str(i)+"//"

            fileName=data['title'][0]+'.jpg'

            pic1 = requests.get(data['pic'])

            with open("D://豆瓣top250//"+middlename+fileName,'wb') as photo:

                photo.write(pic1.content)

                #shell显示进度

                print("图片"+str(i)+"下载完成")

相关文章

网友评论

      本文标题:豆瓣top250电影爬虫

      本文链接:https://www.haomeiwen.com/subject/edrthhtx.html