主要目标

又是一个美好的周六, 祝大家一天好心情……

本次python实战，主要目标是利用python爬取豆瓣电影 Top 250信息，如上图所示。这些信息主要包括排名、片名、评分、上映时间、主演等信息。爬取的网址url是https://movie.douban.com/top250，爬取后的结果会保存在csv文件里面。

关注本号（data_circle）回复“豆瓣电影”，获得所有源代码。

环境准备

环境：MAC + Python3.6 ;  IDE： Pycharm. 具体使用的模块如下。

import requests import re import json 

但是如果你的系统上安装了anaconda，模块requests已经安装完成，但是pycharm不能识别。此时只需要使用preferences直接进行安装，入下图所示，点击+，直接安装即可。

爬取分析

我们的目标是爬取豆瓣电影 Top 250，打开网页发现共10个页面。也就是说我们需要解析10个页面，使用一个for循环来实现。当点击第二页时发现，网址也发生了变化，比之前多了参数start=25，具体的网址是  https://movie.douban.com/top250?start=25&filter=，显示的电影排名是从26到50，如图所示

根据以上分析，我们可以使用star作为循环计数器。如果显示的是star是n，则显示的电影排名是n+1~n+25,每页显示25个。具体代码实现如下

if __name__ == '__main__':
    #循环10次
    for i in range(10):
        main(start= i* 25) 

爬取页面

对于每一个页面的爬取，我们使用的requests库。Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库。它比urllib更加方便，可以节约我们大量的工作。（用了requests之后，你基本都不愿意用urllib了）一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。默认安装好python之后，是没有安装requests模块的，需要单独通过pip安装或者使用pycharm软件安装（如上文所示）.

直接使用库requests中的get方法对目标网址发出申请。为了防止请求的页面没有成功，我们添加了捕获异常的代码块try,except。另外，如果多次爬取同一个网址，您的ip可能被封，不能在爬取任何信息。为了解决此问题，本次在代码中设置了代理信息，具体代码请关注人工智能与大数据生活(data_circle)，文末长按二维码即可，回复 ”豆瓣电影“ 获得全部代码。

`python` def get_one_page(url):     '''
        抓取第一页内容
    :return: 请求的页面的信息
    '''     try:
       
        response = requests.get(url,headers=headers)

        if response.status_code == 200:
            return response.text

        return None     except RequestException:
        return None 

页面解析

当爬取到想要的信息以后，就可以对其解析，然后提取想要的信息。常见的方法有很多，比如正则表达式、xpath解析等。本文是使用正则表达式进行解析。

使用google浏览器，右键选择检查，查看需要爬取的网址源代码，具体如下。从图可得知，每一部电影的源代码是一个节点

		
 .*?<em.*?\"\">(.*?) </em.*?<> 

`python` def parse_one_page(html):     '''
         使用正则表达式解析页面信息

    :param html:
    :return:
    '''     items = re.findall(pattern,html)

    print(items)
    #yield函数，生成字典格式更加好看     for itme in items:
        yield{
            'range': itme[0],
            'image': itme[1],
            'title': itme[2],
            'infor': itme[3],
            'rating':itme[4],
            'intro':itme[5]
        } 

def write_to_file(content): '''

          保存结果到CSV文件
    :param content:
    :return: 无
    '''

    with open('douban_movie_250.csv','a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n')