首先要做的就是去豆瓣网找对应的接口，这里就不赘述了，谷歌浏览器抓包即可，然后要做的就是分析返回的json数据的结构：
这是接口地址，可以大概的分析一下各个参数的规则：
- type=tv，表示的是电视剧的分类
- tag=国产剧，表示是国产剧的分类
- sort参数，这里猜测是一个排序方式
- page_limit=20，这个一定就是每页所存取的数据数量了
- page_start=0，表示的是这页从哪条数据开始，比如第二页就为page_start=20，第三页为page_start=40，以此类推
- 最终我们要用到的主要是page_start和page_limit两个参数
下面这里是返回的json数据格式，可以看出我们要的是json中subjects列表中的每条数据，在之后的程序中会把每一个电视剧的信息保存到文件里的一行
有了这些，就直接上程序了，因为感觉程序还是比较好懂，主要还是遵从面向对象的程序设计：
1 import json 2 import requests 3 4 5 class DoubanSpider(object): 6 """爬取豆瓣热门国产电视剧的数据并保存到本地""" 7 8 def __init__(self): 9 # url_temp中的start的值是动态的，所以这里用{}替换，方便后面使用format方法 10 self.url_temp = 'https://movie.douban.com/j/search_subjects?type=tv&tag=%E5%9B%BD%E4%BA%A7%E5%89%A7&sort=recommend&page_limit=20&page_start={}' 11 self.headers = { 12 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 13 } 14 15 def pass_url(self, url): # 发送请求，获取响应 16 print(url) 17 response = requests.get(url, headers=self.headers) 18 return response.content.decode() 19 20 def get_content_list(self, json_str): # 提取数据 21 dict_ret = json.loads(json_str) 22 content_list = dict_ret['subjects'] 23 return content_list 24 25 def save_content_list(self, content_list): # 保存 26 with open('douban.txt', 'a', encoding='utf-8') as f: 27 for content in content_list: 28 f.write(json.dumps(content, ensure_ascii=False)) # 一部电视剧的信息一行 29 f.write(' ') # 写入换行符进行换行 30 print('保存成功！') 31 32 33 def run(self): # 实现主要逻辑 34 num = 0 35 while True: 36 # 1. start_url 37 url = self.url_temp.format(num) 38 # 2. 发送请求，获取响应 39 json_str = self.pass_url(url) 40 # 3. 提取数据 41 content_list = self.get_content_list(json_str) 42 # 4. 保存 43 self.save_content_list(content_list) 44 if len(content_list) < 20: 45 break 46 # 5. 构造下一页url地址，进入循环 47 num += 20 # 每一页有二十条数据 48 49 50 if __name__ == '__main__': 51 douban_spider = DoubanSpider() 52 douban_spider.run()
上面是利用循环遍历每一页，后来我又想到用递归也可以，虽然递归效率可能不高，这里还是展示一下，只需要改几个地方而已：
1 import json 2 import requests 3 4 5 class DoubanSpider(object): 6 """爬取豆瓣热门国产电视剧的数据并保存到本地""" 7 def __init__(self): 8 # url_temp中的start的值是动态的，所以这里用{}替换，方便后面使用format方法 9 self.url_temp = 'https://movie.douban.com/j/search_subjects?type=tv&tag=%E5%9B%BD%E4%BA%A7%E5%89%A7&sort=recommend&page_limit=20&page_start={}' 10 self.headers = { 11 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 12 } 13 self.num = 0 14 15 def pass_url(self, url): # 发送请求，获取响应 16 print(url) 17 response = requests.get(url, headers=self.headers) 18 return response.content.decode() 19 20 def get_content_list(self, json_str): # 提取数据 21 dict_ret = json.loads(json_str) 22 content_list = dict_ret['subjects'] 23 return content_list 24 25 def save_content_list(self, content_list): # 保存 26 with open('douban2.txt', 'a', encoding='utf-8') as f: 27 for content in content_list: 28 f.write(json.dumps(content, ensure_ascii=False)) # 一部电视剧的信息一行 29 f.write(' ') # 写入换行符进行换行 30 print('保存成功！') 31 32 33 def run(self): # 实现主要逻辑 34 # 1. start_url 35 url = self.url_temp.format(self.num) 36 # 2. 发送请求，获取响应 37 json_str = self.pass_url(url) 38 # 3. 提取数据 39 content_list = self.get_content_list(json_str) 40 # 4. 保存 41 self.save_content_list(content_list) 42 # 5. 构造下一页url地址，进入循环 43 if len(content_list) == 20: 44 self.num += 20 # 每一页有二十条数据 45 self.run() 46 47 48 if __name__ == '__main__': 49 douban_spider = DoubanSpider() 50 douban_spider.run()
最终文件得到的结果：
