豆瓣是一个社区网站,创立于3月6日。该网站以书影音起家,提供关于书籍,电影,音乐等作品信息,其描述和评论都是由用户提供的,是Web2.0网站中具有特色的一个网站。
网址:/top250?start=0&filter=
我将基于豆瓣电影top250讲解BeautifulSoup技术的爬虫,获取排名前250名的影片信息,包括(网站名称、豆瓣排名、中文名称、原名称、国家、上映时间、类型、评分、导演主演、评价人数、剧情简介链接、图片地址、影片标签)等。主要内容包括:分析网页DOM树结构,爬取豆瓣电影信息、分析链接跳转及爬取对应的信息。
1、分析网页结构及定位
1.1. 我们先导入相关的的包,获取网页并使用BeautifulSoup解析,代码如下:
# -*- coding: utf-8 -*-import urllib2from bs4 import BeautifulSoupurl = "/top250"html = urllib2.urlopen(url).read()soup = BeautifulSoup(html,"html.parser")print u'网站名称:',soup.title.string.replace("\n","")
1.2.把鼠标指在肖申克的救赎模块,右击选择检查,进行详细信息定位
把网页看作一个大盒子,这些信息都是一个一个的小盒子装着的,每一个电影的所有信息都装在<li> <li>
中,在其中又分出很多的带属性标签,我们需要获取的内容全部在一个叫<div class="item"> </div>
的标签中装着,如图所示:
只需要在class="item"中做迭代循环就可以获取到模块的所有信息,定位代码如下:
for tag in soup.find_all(attrs={"class":"item"}):
2、获取对应的信息
(1)豆瓣电影排名
电影排名被存在<em> </em>
标签中,而且是在第一个em标签,方便直接获取
获取第一个em标签内容代码如下:
>>> print u'豆瓣排名:',tag.find('em').string豆瓣排名: 1>>> print u'豆瓣排名:',tag.find('em').get_text()豆瓣排名: 1>>>
(2)获取电影中文名称
电影的中文名称和英文名称都在span标签中,但中文名称在第一个span标签
获取第一个span标签内容代码如下:
>>> print u'中文名称:',tag.find('span').string中文名称: 肖申克的救赎>>> print u'中文名称:',tag.find('span').get_text()中文名称: 肖申克的救赎>>>
(2)获取电影原名称
通过第二个span标签找到它通过split(’/’)[1]去掉“/”
>>> English = tag.find_all('span')[1].get_text()>>> print u'原名称:',English原名称: / Intouchables>>> >>> print u'原名称:',English.split('/')[1]原名称: Intouchables>>>
(3)获取国家
通过p标签查找所有内容通过split(’/’)分割,“-”表示向后进行分割
>>> print u'国家:',tag.p.get_text()国家: 导演: 奥利维·那卡什 Olivier Nakache / 艾力克·托兰达 Eric Toledano 主... / 法国 / 剧情 喜剧>>> print u'国家:',tag.p.get_text().split('/')[-2]国家: 法国 >>>
(4)上映时间
定点p标签内容用split(’\n’)进行换行符定位截取通过split(’/’)截取出时间使用replace(" “,”")替换掉多余的空格
>>> print u'p标签内容:',tag.p.get_text()p标签内容: 导演: 奥利维·那卡什 Olivier Nakache / 艾力克·托兰达 Eric Toledano 主... / 法国 / 剧情 喜剧>>> print u'换行符定位:',tag.p.get_text().split('\n')[2]换行符定位: / 法国 / 剧情 喜剧>>> print u'截取出时间:',tag.p.get_text().split('\n')[2].split('/')[0]截取出时间: >>> print u'时间去掉空格:',tag.p.get_text().split('\n')[2].split('/')[0].replace(" ","")时间去掉空格: >>>
(5)获取类型
在p标签中通过换行符(’\n’)和“/”进行截取,方法同上,代码片段如下:
>>> print u'类型:',tag.p.get_text().split('\n')[2].split('/')[-1]类型: 剧情 喜剧>>>
(6)获取电影评分
方法一:直接获取第五个span标签的内容,代码片段如下:
>>> print u'评分:',tag.find_all('span')[4].get_text()评分: 9.2>>>
方法二:节点定位法,建议多使用它
>>> price = tag.find_all(attrs={"class":"rating_num" })>>> sore = price[0].get_text()>>> print u'评分:',sore评分: 9.2>>>
(7)获取评论人数
通过span标签倒序截取出内容使用正则表达式pile(r"\d+.?\d*")保留数字
>>> valuation = tag.find_all('span')[-2].get_text()>>> print valuation557877人评价>>> regex = pile(r"\d+\.?\d*")#使用正则表达式保留数字>>> print (regex.findall(valuation))[u'557877']>>> print u'评价人数:',(regex.findall(valuation))[0]评价人数: 557877>>>
(8)获取导演及主演
获取p标签的后节点的内容替换掉换行符和空格符
>>> print tag.p.next_element #p的后节点内容导演: 奥利维·那卡什 Olivier Nakache / 艾力克·托兰达 Eric Toledano 主...>>> print tag.p.next_element.replace("\n","").replace(" ","")导演:奥利维·那卡什OlivierNakache/艾力克·托兰达EricToledano 主...>>>
(9)获取剧情简介链接
通过a标签的 href 直接找到
>>> print u'剧情简介:',tag.a.get('href')剧情简介: /subject/6786002/>>>
(10)图片地址链接
通过 img 标签的 src 直接找到
>>> print u'图片地址:',tag.img.get('src')图片地址: /view/photo/s_ratio_poster/public/p1454261925.jpg>>>
(11)获取电影标签
获取HTML节点定位<span class="other"> / / 闪亮人生(港) / 逆转人生(台)</span>
提取文本
>>> lab = tag.find_all(attrs={"class":"other"})>>> print lab[0]<span class="other"> / 闪亮人生(港) / 逆转人生(台)</span>>>> lable = lab[0].get_text()>>> print u'影片标签:',lable影片标签: / 闪亮人生(港) / 逆转人生(台)>>>
3、实现链接跳转分析爬取
传参函数结构
def part(url):if __name__ == '__main__':url = "/"part(url)
实现新链接生成及传参代码如下:
# -*- coding: utf-8 -*-import reimport urllib2from bs4 import BeautifulSoup#定位代码范围、爬虫部分def part(url):#print需要输出的内容#主函数,生成链接传参if __name__ == '__main__':i = 0while i<10:print u'网页当前位置:',(i+1)num = i*25url = '/top250?start='+ str(num) +'&filter='part(url)i = i+1
4、完整的爬取代码和运行结果如下
# -*- coding: utf-8 -*-import reimport urllib2from bs4 import BeautifulSoupurls = "/top250"html = urllib2.urlopen(urls).read()soup = BeautifulSoup(html,"html.parser")print u'网站名称:',soup.title.string.replace("\n","")#定位代码范围、爬虫部分def part(url):html = urllib2.urlopen(url).read()soup = BeautifulSoup(html,"html.parser")for tag in soup.find_all(attrs={"class":"item"}):print u'豆瓣排名:',tag.find('em').stringprint u'中文名称:',tag.find('span').stringEnglish = tag.find_all('span')[1].get_text()print u'原名称:',English.split('/')[1]print u'国家:',tag.p.get_text().split('/')[-2] print u'上映时间:',tag.p.get_text().split('\n')[2].split('/')[0].replace(" ","")print u'类型:',tag.p.get_text().split('\n')[2].split('/')[-1]#电影评分#print tag.find_all('span')[4].get_text()方法1price = tag.find_all(attrs={"class":"rating_num" }) #方法2sore = price[0].get_text()print u'评分:',sore#评价人数valuation = tag.find_all('span')[-2].get_text()regex = pile(r"\d+\.?\d*") #使用正则表达式保留数字print u'评价人数:',(regex.findall(valuation))[0]#导演及主演join = tag.p.next_element #p的后节点print join.replace("\n","").replace(" ","")print u'剧情简介:',tag.a.get('href')print u'图片地址:',tag.img.get('src')lab = tag.find_all(attrs={"class":"other"})lable = lab[0].get_text()print u'影片标签:',lable print ""if __name__ == '__main__':i = 0while i<10:print u'网页当前位置:',(i+1)num = i*25url = '/top250?start='+ str(num) +'&filter='part(url)i = i+1