Python3爬虫实战：以爬取豆瓣电影为例[python爬虫实战]
爬虫又称为网页蜘蛛，是一种程序或脚本。
但重点在于，它能够按照一定的规则，自动获取网页信息。
爬虫的基本原理——通用框架
1.挑选种子URL；
2.讲这些URL放入带抓取的URL列队；
3.取出带抓取的URL，下载并存储进已下载网页库中。此外，讲这些URL放入带抓取URL列队，进入下一循环。
4.分析已抓取列队中的URL，并且将URL放入带抓取URL列队，从而进去下一循环。
爬虫获取网页信息和人工获取信息，其实原理是一致的。
如我们要获取电影的“评分”信息
人工操作步骤：
1.获取电影信息的网页；
2.定位（找到）要评分信息的位置；
3.复制、保存我们想要的评分数据。
爬虫操作步骤：
1.请求并下载电影页面信息；
2.解析并定位评分信息；
3.保存评分数据。
爬虫的基本流程
简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面后，我们可以抽取我们想要的那部分信息，并存储在指定文档或数据库中，这样，我们想要的信息会被我们“爬”下来了。
python中用于爬虫的包很多，如bs4，urllib，requests等等。这里我们用requests+xpath的方式，因为简单易学，像BeautifulSoup还是有点难的。
下面我们就使用requests和xpath来爬取豆瓣电影中的“电影名”、“导演”、“演员”、“评分”等信息。
安装requests和lxml库：
pip install requestspip install lxml
一、导入模块
#-*- coding:utf-8 -*-import requests
from lxml import etree
import time #这里导入时间模块，以免豆瓣封你IP
二、获取豆瓣电影目标网页并解析
爬取豆瓣电影《神秘巨星》上的一些信息，地址
https://movie.douban.com/subject/26942674/?from=showing
#-*- coding:utf-8 -*-import requests
from lxml import etree
import time
url = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url).text
s=etree.HTML(data)
#给定url并用requests.get()方法来获取页面的text，用etree.HTML()
#来解析下载的页面数据“data”。
1.获取电影名称。
获取电影的xpath信息并获得文本
s.xpath('元素的xpath信息/text()')这里的xpath信息要手动获取，获取方式如下：
1.如果你是用谷歌浏览器的话，鼠标“右键”–>“检查元素”；
2.Ctrl+Shift+C将鼠标定位到标题；
3.“右键”–>“Copy”–>“Copy Xpath”就可以复制xpath。
这样，我们就把电影标题的xpath信息复制下来了。
//*[@id="content"]/h1/span[1]
放到代码中并打印信息
#-*- coding:utf-8 -*-import requests
from lxml import etree
import time
url = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url).text
s=etree.HTML(data)
film_name = s.xpath('//*[@id="content"]/h1/span[1]/text()')
print("电影名:",film_name)
这样，我们爬取豆瓣电影中《神秘巨星》的“电影名称”信息的代码已经完成了，可以在eclipse中运行代码。
得到如下结果：
电影名: ['神秘巨星 Secret Superstar']
OK，迈出了第一步，我们继续抓取导演、主演、评分；
film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#电影名director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧
actor1=s.xpath('//*[@id="info"]/span[3]/span[2]/a[1]/text()')#主演1
actor2=s.xpath('//*[@id="info"]/span[3]/span[2]/a[2]/text()')#主演2
actor3=s.xpath('//*[@id="info"]/span[3]/span[2]/a[3]/text()')#主演3
actor4=s.xpath('//*[@id="info"]/span[3]/span[2]/a[4]/text()')#主演4
movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长
观察上面的代码，发现获取不同主演时，区别只在于“a[x]”中“x”的值不同。实际上，要一次性获取所有主演信息时，用不加数字的“a”即可获取。
如下：
actors = s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#所有主演所以我们修改好的完整代码如下：
#-*- coding:utf-8 -*-import requests
from lxml import etree
import time
url1 = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url1).text
s=etree.HTML(data)
film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#电影名
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#编剧
actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#主演
movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片长
#由于导演有时候不止一个人，所以我这里以列表的形式输出
ds = []
for d in director:
ds.append(d)
#由于演员不止一个人，所以我这里以列表的形式输出
acs = []
for a in actor:
acs.append(a)
print ('电影名:',film_name)
print ('导演:',ds)
print ('主演:',acs)
print ('片长:',movie_time)
结果输出：
电影名: ['神秘巨星 Secret Superstar']导演: ['阿德瓦·香登']
主演: ['塞伊拉·沃西', '梅·维贾', '阿米尔·汗', '拉杰·阿晶', '提斯·沙马', '卡比尔·谢赫', '法如克·贾法尔',
'马努杰·沙玛', '莫娜·安伯加卡尔', '尼基塔·阿南德', '尚', '莫纳利·塔库尔']
片长: ['150分钟']
怎么样，是不是很简单啊。赶快去试试吧~~~
这里顺便补充点基础知识：
Requests常用的七种方法：
目前，我们只需要掌握最常用的requests.get()方法就好了。
requests.get()的使用方法
import requestsurl = 'https://www.baidu.com'
data = requests.get(url)#使用get方法发送请求，返回汗网页数据的Response并存储到对象data 中
Repsonse对象的属性：
data.status_code：http请求的返回状态，200表示连接成功；
data.text：返回对象的文本内容；
data.content：猜测返回对象的二进制形式；
data.encoding：返回对象的编码方式；
data.apparent_encoding：响应内容编码方式。
众多python教程，尽在网，欢迎在线学习！
本文转自：https://blog.csdn.net/mtbaby/article/details/79165890
以上是 Python3爬虫实战：以爬取豆瓣电影为例[python爬虫实战] 的全部内容， 来源链接： utcz.com/z/520909.html
