目录
一、前言
好不容易女神喊我去看电影，但是她又不知道看啥，那么我当然得准备准备~
二、前期准备
1、使用的软件
python 3.8 开源 免费的 (统一 3.8)
Pycharm YYDS python最好用的编辑器 不接受反驳…
2、需要用的模块
requests >>> 数据请求模块 pip install requests
parsel >>> 数据解析模块 pip install parsel
csv
3、模块安装问题
模块安装问题:
1)、如何安装python第三方模块:
第一种：win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车。
第二种：在pycharm中点击Terminal(终端) 输入安装命令
2)安装失败原因:
第一种: pip 不是内部命令
解决方法: 设置环境变量
第二种: 出现大量报红 (read time out)
解决方法: 因为是网络链接超时, 需要切换镜像源。
清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学：http://pypi.hustunique.com/ 山东理工大学：http://pypi.sdutlinux.org/ 豆瓣：http://pypi.douban.com/simple/ 例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名
第三种: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入。
解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好，或者你pycharm里面python解释器没有设置好。
4、如何配置pycharm里面的python解释器?
如何配置pycharm里面的python解释器?
- 选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
- 点击齿轮, 选择add
- 添加python安装路径
5、pycharm如何安装插件?
- 选择file(文件) >>> setting(设置) >>> Plugins(插件);
- 点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation;
- 选择相应的插件点击 install(安装) 即可;
- 安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效;
三、思路
爬虫获取数据是要分析服务器返回的数据内容，无论你爬取任何网站数据，都是可以按照这个几步骤来。
1、明确需求
我们要爬取的内容是什么 https://movie.douban.com/top250，要分析我们的想要数据, 可以从哪里获取/哪里来的… (数据来源分析)
用开发者工具进行抓包(数据包)分析，静态网页/网页上面看到的数据内容，在网页源代码里面都有。
2、发送请求
开发者工具里面headers ，对于那个网址发送请求，发送什么样的请求，携带那些请求头参数。
3、获取数据
获取服务器返回的数据内容，看服务器数据格式是什么样的，或者说我们想要的数据是什么样的；
获取文本数据 response.text
获取服务器json字典数据 response.json()
获取二进制数据 response.content
保存视频/音频/图片/特定格式的文件内容， 都是获取二进制数据；
4、解析数据
提供我们想要的数据内容
5、保存数据
保存本地
四、代码部分
import requests # 数据请求模块 pip install requests
import parsel # 数据解析模块 pip install parsel
import csv # 保存表格数据
f = open(\'豆瓣数据.csv\', mode=\'a\', encoding=\'utf-8\', newline=\'\')
# 快速批量替换 全选内容 使用正则表达式 替换内容
csv_writer = csv.DictWriter(f, fieldnames=[
\'电影名字\',
\'导演\',
\'主演\',
\'年份\',
\'国家\',
\'电影类型\',
\'评论人数\',
\'评分\',
\'概述\',
\'详情页\',
])
csv_writer.writeheader()
for page in range(0, 250, 25):
url = f\'https://movie.douban.com/top250?start={page}&filter=\'
# headers 请求头 用来伪装python代码 为了防止爬虫程序被服务器识别出来,
# User-Agent 浏览器的基本标识 用户代理 直接复制粘贴的
#Python学习交流群872937351 ，免费领取视频/电子书/解答等等
# 披着羊皮的狼 爬虫程序 >>> 狼 headers >>> 羊皮 服务器数据 >>> 羊圈
headers = {
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36\'
}
# 发送请求 get
# 通过requests数据请求模块里面get请求方法 对于 url以及发送请求并且携带header请求头, 最后用response变量接收返回数据
response = requests.get(url=url, headers=headers)
# 获取数据
# print(response.text)
# 解析数据 re正则表达式 css选择器 xpath 那一种更方便 更加舒服 就用哪一个
# json 键值对取值
# 提取我们想要的数据内容
# 把获取下来的 response.text 网页字符串数据 转成selector 对象
selector = parsel.Selector(response.text)
# <Selector xpath=None data=\'<html lang=\"zh-CN\" class=\"ua-windows ...\'> 对象 # css选择器 根据标签属性提取数据
# 第一次解析数据, 获取所有li标签
lis = selector.css(\'.grid_view li\') # css选择器语法
# selector.xpath(\'//*[@class=\"grid_view\"]/li\') # xpath写法
# [] 列表, 如果说我想要一一提取列表里面的元素 怎么做?
for li in lis:
try:
# span:nth-child(1) 组合选择器 表示的选择第几个span标签
# 1 选择第一个span标签 text 获取标签文本数据
title = li.css(\'.hd a span:nth-child(1)::text\').get()
href = li.css(\'.hd a::attr(href)\').get() # 详情页
# li.xpath(\'//*[@class=\"hd\"]/a/span(1)/text()\').get()
# get返回字符串数据 getall 是返回列表数据
# get获取第一个标签数据 getall 获取所有的
move_info = li.css(\'.bd p::text\').getall()
actor_list = move_info[0].strip().split(\' \') # 列表索引位置取值
# print(actor_list)
date_list = move_info[1].strip().split(\'/\') # 列表索引位置取值
director = actor_list[0].replace(\'导演: \', \'\').strip() # 导演
actor = actor_list[1].replace(\'主演: \', \'\').replace(\'/\', \'\').replace(\'...\', \'\') # 演员
date = date_list[0].strip() # 年份
country = date_list[1].strip() # 国家
move_type = date_list[2].strip() # 电影类型
comment = li.css(\'.star span:nth-child(4)::text\').get().replace(\'人评价\', \'\') # 评论人数
star = li.css(\'.star span:nth-child(2)::text\').get() # 星级
world = li.css(\'.inq::text\').get() # 概述
# 字符串的高级方法
# replace() 字符串替换的方法 strip() 去除字符串左右两端的空格 split() 分割 之后返回的列表
# 字符串如何去除空格呢?
# print(title, actor_list, date_list)
dit = {
\'电影名字\': title,
\'导演\': director,
\'主演\': actor,
\'年份\': date,
\'国家\': country,
\'电影类型\': move_type,
\'评论人数\': comment,
\'评分\': star,
\'概述\': world,
\'详情页\': href,
}
csv_writer.writerow(dit)
print(title, director, actor, date, country, move_type, comment, star, world, href, sep=\' | \')
except:
pass
暂无评论内容