栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

通过爬虫获取豆瓣Top250

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

通过爬虫获取豆瓣Top250

导入需要的包

import requests
from bs4 import BeautifulSoup
import pandas as pd
import pprint
import json

①下载10个页面的HTML

def download_all_htmls():
    htmls =[]
    for idx in page_indexs:
        ur1=f"https://movie.douban.com/top250?start={idx}&filter="
        print("craw html:", ur1)
        r=requests.get(ur1,headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ''AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
})
        htmls.append(r.text)
    return htmls
htmls = download_all_htmls()#执行爬取

②解析所爬取的HTML页面得到数据

def parse_single_html(html):

    soup = BeautifulSoup(html,'html.parser')
    article_items = soup.find("ol",class_="grid_view").find_all("div",class_="item")
    datas =[]
    for article_item in article_items:
        rank = article_item.find("div", class_="pic").find("em").get_text()
        info = article_item.find("div", class_="info")
        title = info.find("div", class_="hd").find("span", class_="title").get_text()
        stars = (info.find("div", class_="bd").find("div",class_="star").find_all("span"))
        rating_star = stars[0]["class"][0]
        rating_num = stars[1].get_text()
        comments = stars[3].get_text()
        
        datas.append({
            "rank":rank,
            "title":title,
            "rating_star":rating_star.replace("rating","").replace("-t",""),
            "rating_num":rating_num,
            "comments":comments.replace("人评价","")
        })
    return datas
all_datas=[]#执行所有的HTML页面解析
for html in htmls:
    all_datas.extends(parse_single_html(html))
all_datas
len(all_datas)

③将结果导入Excel

df = pd.Dataframe(all_datas)
df.to_excel("豆瓣TOP250.xlsx")

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/339963.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号