如何用Python编写爬虫获取豆瓣电影TOP250评分排行榜？

一、爬取对象-豆瓣电影TOP250 今天给大家分享一期豆瓣读书TOP排行榜250的python爬虫案例 爬取的目标网址是：https://movie.douban.com/top250 咱们以目标为驱动，以兴趣为导向，先来看下爬虫程序运行后得到的excel文档数据 那代码是如何实现豆瓣电影TOP250数据爬取的了？下面逐一讲解一下python实现。 二、豆瓣电影网站分析 通过浏览器F12查看所有请求，发现他并没有发送ajax请求，那说明我们要的数据大概率是在html页面内容上。 于是我们 点击右键->查看网页源代码 ，发现我们需要的豆瓣电影评分的排行榜数据都在html页面里 这就简单了，我们直接往下看，上代码。 三、python爬虫代码详解 首先，导入我们需要用到的库 import requests # 发请求 from lxml import etree # 解析html import pandas as pd # 存取csv from urllib.parse import urljoin # url处理 然后，向豆瓣电影TOP250的网页发起请求，获得html页面内容 page_source = requests.get(page_url, headers=headers).text 用lxml库解析html页面 tree = etree.HTML(page_source) 使用xpath来提取我们需要的排行榜数据内容 # 获得数据所在的标签 lis = tree.xpath("//ol[@class='grid_view']/li") # 循环标签获得电影信息 for li in lis: url = extract_first(li.xpath(".//div[@class='hd']/a/@href")).strip() # 链接 movie_name = "".join(li.xpath(".//div[@class='hd']/a//text()")) # 电影名字 movie_name = re.sub("\s+", "", movie_name) score = extract_first(li.xpath(".//span[@class='rating_num']/text()")).strip() # 评分 star_people_num = extract_first(li.xpath(".//div[@class='star']/span[4]/text()")).strip() # 评价人数 star_people_num = re.search("\d+", star_people_num).group() one_evaluate = extract_first(li.xpath(".//p[@class='quote']/span/text()")).strip() # 一句话评价 info = "".join(li.xpath(".//div[@class='bd']/p/text()")).strip() # 电影信息：导演、主演、年份、国家、类型 infos = info.split("\n") director = infos[0].split("\xa0\xa0\xa0")[0] # 导演 actor = None try: actor = infos[0].split("\xa0\xa0\xa0")[1] # 主演 except: # 只有导演，没有主演的（比如 第3页 窃听风暴） pass 其中，需要特殊说明的是，第3页《窃听风暴》这部电影和其他电影页面排版不同： 这部电影只有导演，却没有主演信息，所以会有个异常处理的代码 try: actor = infos[0].split("\xa0\xa0\xa0")[1] # 主演 except: # 只有导演，没有主演的（比如 第3页 窃听风暴） pass 还有就是有些电影，他的年份、国家、类型的格式有细微的不同之处，所以也需要特殊处理一下。 info_sub = re.sub("\s+", "", infos[1]) info_subs = info_sub.split("/") if len(info_subs) == 3: year = info_subs[0] # 年份 country = info_subs[1] # 国家 type = info_subs[2] # 类型 elif len(info_subs) == 4: year = str(info_subs[0]) + "/" + str(info_subs[1]) # 年份 country = info_subs[2] # 国家 type = info_subs[3] # 类型 else: print(f"!!!!未匹配上规则!!!! 电影名称={movie_name}", infos) 最后，我们将爬虫爬取的数据保存到csv文档里 def save_to_csv(csv_name): """ 数据保存到csv @param csv_name: csv文件名字 @return: """ df = pd.DataFrame() # 初始化一个DataFrame对象 df['电影名字'] = movie_names df['电影链接'] = urls df['评分'] = scores df['评分人数'] = star_people_nums df['导演'] = directors df['主演'] = actors df['年份'] = years df['国家'] = countrys df['类型'] = types df['一句话评价'] = one_evaluates df.to_csv(csv_name, encoding='utf8', index=False) # 将数据保存到csv文件 print("保存文件成功", csv_name) 上面的movie_names、urls等变量都是使用的list来进行存储的，这样才能符合pandas导出数据时的需要，最后调用to_csv()方法即可导出豆瓣电影的排行榜数据到文档里了。 三、python爬虫源代码获取 我是 @王哪跑，持续分享python干货，各类副业软件！ 附完整python源码及数据：【python爬虫案例】利用python爬虫爬取豆瓣电影评分TOP250排行数据！