python2.7抓取豆瓣电影top250

利用python2.7抓取豆瓣电影top250

1.任务说明

• 抓取top100电影名称
• 依次打印输出

2.网页解析

• 要进行网络爬虫，利用工具（如浏览器）查看网页HTML文件的相关内容是很有必要，我使用的是Firefox浏览器，并安装了Firebug插件，

这个插件可以方便查看包括HTML在内许多内容

打开豆瓣电影排行榜top250网页，发现每页有25部电影，一共10页，其每一页url具有如下特征：

http://movie.douban.com/top250?start=0

http://movie.douban.com/top250?start=25

http://movie.douban.com/top250?start=50

http://movie.douban.com/top250?start=75

......

以此类推因此只需要利用循环对后面的0,25,...225处理即可。

• 网页点击任何一个电影中文名，右击鼠标“查看元素”查看HTML源代码:

可以发现电影名称放在<span class="title"> </span>中，同时英文名也放在<span class="title"> </span>中。

可以利用正则表达式<span class="title">(.*)</span>匹配电影的中文名和英文名，但这里只想得到中文名，所以需要过滤英文名。

过滤方法可以利用find(str,pos_start,pos_end)函数实现，剔除英文名字里特有的特征：‘ ’和‘/’，详见代码。

3.代码实现

这里代码比较简单，因此就不用定义函数了。

#!/usr/bin/python
# -*- coding: utf-8 -*- #
import requests,sys,re
from bs4 import BeautifulSoup

reload(sys)
sys.setdefaultencoding('utf-8')
print '正在从豆瓣电影Top250抓取数据......'

for page in range(10):
    url='https://movie.douban.com/top250?start='+str((page-1)*25)
    print '---------------------------正在爬取第'+str(page+1)+'页......--------------------------------'
    html=requests.get(url)
    html.raise_for_status()
    try:
        soup=BeautifulSoup(html.text,'html.parser')
        soup=str(soup) # 利用正则表达式需要将网页文本转换成字符串
        title=re.compile(r'<span class="title">(.*)</span>')
        names=re.findall(title,soup)
        for name in names:
            if name.find('/')==-1: # 剔除英文名(英文名特征是含有'/')
                print name
    except Exception as e:
        print e
print '爬取完毕！'

由于水平有限，难免存在不足，欢迎大家斧正！