Python爬虫入门：爬取豆瓣电影TOP250

一个很简单的爬虫。

从这里学习的，解释的挺好的：https://xlzd.me/2015/12/16/python-crawler-03

分享写这个代码用到了的学习的链接：

BeautifulSoup官方文档

requests文档

codecs

with……as……的解释

.join函数

.format函数

其他的一些东西在代码里面有详细注释。

# encoding = utf-8
import codecs
import requests
from bs4 import BeautifulSoup

# 爬取豆瓣电影TOP250

DOWNLOADURL = 'https://movie.douban.com/top250'

def download_page(url): # 向服务器发送请求下载得到html
    headers = {'User-Agent': 'Mozilla/4.0(compatibel; MSIE 5.5; Windows NT)'} # 伪装成浏览器
    data = requests.get(url, headers=headers).content
    return data # 返回得到的html代码

def parse_html(html): # 解析网页
    soup = BeautifulSoup(html, 'lxml') # 创建一个BeautifulSoup对象
    movie_list_soup = soup.find('ol', attrs={'class': 'grid_view'}) # 定位

    name_list = []
    for movie_li in movie_list_soup.find_all('li'): # 找到电影名字
        detail = movie_li.find('div', attrs={'class', 'hd'})
        movie_name = detail.find('span', attrs={'class', 'title'}).getText()
        name_list.append(movie_name) # 放到一个list里面

    have_next = soup.find('span', attrs={'class': 'next'}).find('a') # 找下一页的链接
    if have_next: # 如果有下一页的链接不为空
        return name_list, DOWNLOADURL + have_next['href'] # 返回名字列表还有下一页的URL
    else:
        return name_list, None # 找不到返回None

def main():
    url = DOWNLOADURL
    # with xxx.open as f 打开xxx之后finally关闭xxx
    # codecs方便处理中文编码
    with codecs.open('douban_movies', 'wb', encoding='utf-8') as fp:
        while url:
            html = download_page(url)
            name_list, url = parse_html(html)
            #'
'.join(name_list) : 以'
'为分隔符将name_list所有元素合并成一个新的字符串
            #'{movies}'.format(movies='xxxxx') : 即movies = 'xxxxx',将xxxxx按照格式输出
            fp.write(u'{movies}
'.format(movies='
'.join(name_list)))

if __name__ == '__main__':
    main()