Python实现的爬取豆瓣电影信息功能案例

本文实例讲述了Python实现的爬取豆瓣电影信息功能。分享给大家供大家参考，具体如下：

本案例的任务为，爬取豆瓣电影top250的电影信息（包括序号、电影名称、导演和主演、评分以及经典台词），并将信息作为字典形式保存进txt文件。这里只用到requests库，没有用到beautifulsoup库

step1：首先获取每一页的源代码，用requests.get函数获取，为了防止请求错误，使用try...except..

def getpage(url):
 try:
   res=requests.get(url)
   if res.status_code==200:
     return res.text
   return None
 except RequestException:
   return None

step2：做每一页的网址解析，打开原网址https://movie.douban.com/top250?，查看网页源代码，可以看到每一个电影的源代码都是从<li>开始，在</li>处结束，写好正则表达式以后爬到的列表的每一条item都有五个元素，因此将其写成字典的形式，这里用到yield函数（关于yield函数的用法，廖老师的有一篇文章比较好懂https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/）

对单个网页的进行解析的代码如下：

def parsepage(html):
 pat=re.compile('<li>.*?<em class="">(.*?)</em>.*?<img width="100" alt="(.*?)" src=.*?<p class="">'
         +'(.*?)</p>.*?property="v:average">(.*?)</span>.*?<span class="inq">(.*?)</span>.*?</li>',re.S)
 items=re.findall(pat,html)
 for item in items:
   yield{
     'index':item[0],
     'title':item[1],
     'stars':item[2].strip(),
     'score':item[3],
     'concept':item[4]
   }

下面的代码是将每一个item写入文件，这里encoding='utf-8' 和ensure_ascii=False都是使写入文件时中文能保持不变，json.dumps可以将（字典）对象转化成字符串（但前面要先import json），with open的第二个参数为a，表示每次写入时，是往后追加（续接），而不是后一次写入将之前内容覆盖，\n是指要每一次写入一个item之后要换行。

def write_tofile(content):
 with open('doubanfilms.txt','a',encoding='utf-8' ) as f:
   f.write(json.dumps(content,ensure_ascii=False)+'\n')
   f.close()

最后，需要用循环语句将每一页（共10页）内容都进行以上操作。这里，第二页的网址就是在第一页的url上加上一个start=25, 第三页是加上start=50，也就是每一页的start=为25*i。最后一段代码如下：

def main():
 url="https://movie.douban.com/top250?"
 for i in range(0,9):
   url_i=url+'start='+str(25*i)
   html_i=getpage(url_i)
   for item in parsepage(html_i):
     print(item)
     write_tofile(item)
if __name__ == '__main__':
 main()

当然，这一段代码还有一种写法：

def main(start):
 url="https://movie.douban.com/top250?start="+str(start)
 html=getpage(url)
 for item in parsepage(html):
   print(item)
   write_tofile(item)
if __name__ == '__main__':
 for i in range(10):
   main(i*10)

如果想让你的程序跑的更快，可以用多线程爬虫（当然这里其实没有必要）：

#在最开始加载Pool包
from multiprocessing import Pool
#最后的执行段改为：
if __name__ == '__main__':
 for i in range(10):
   main(i*10)
 pool=Pool() #在循环外写
 pool.map(main,[i*10 for i in range (10)])

希望本文所述对大家Python程序设计有所帮助。

来源：https://blog.csdn.net/ISMedal/article/details/79218542