python爬取豆瓣电影TOP250数据

下面我来详细讲解“Python爬取豆瓣电影TOP250数据”的完整攻略。

一、准备工作

在开始爬取数据之前，我们需要安装一些必要的爬虫工具和模块，包括：

Python3（建议使用Python3.6以上版本）
requests（用于发送HTTP请求）
lxml（用于解析HTML文档）
BeautifulSoup（用于解析HTML文档）

你可以通过pip安装这些模块，如下所示：

pip install requests
pip install lxml
pip install BeautifulSoup4

二、分析页面结构

在开始爬取数据之前，我们需要先分析豆瓣电影TOP250页面的结构，找出我们需要获取的信息所在的位置。在本例中，我们需要获取每部电影的排名、名称、评分等信息。

可以通过在浏览器中查看网页源代码来分析页面结构，或者使用开发者工具辅助进行分析。

三、编写爬虫代码

在分析页面结构后，我们就可以开始编写爬虫代码了。这里提供两个示例代码，分别使用requests + lxml和requests + BeautifulSoup来爬取电影数据。

示例1：使用requests + lxml

import requests
from lxml import etree

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

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}

response = requests.get(url, headers=headers)
html = etree.HTML(response.text)

for item in html.xpath('//div[@class="item"]'):
    rank = item.xpath('div[@class="pic"]/em/text()')[0]
    title = item.xpath('div[@class="info"]/div[@class="hd"]/a/span[@class="title"]/text()')[0]
    rating = item.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')[0]
    print(rank, title, rating)

解析：

首先，我们通过requests库发送HTTP请求，并使用lxml解析返回的HTML文档。
然后，我们使用XPath表达式来选择需要的节点。
最后，我们遍历每个电影节点，并获取需要的信息。

示例2：使用requests + BeautifulSoup

import requests
from bs4 import BeautifulSoup

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

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}

response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, 'lxml')

for item in soup.select('div.item'):
    rank = item.select('div.pic em')[0].text
    title = item.select('div.info div.hd a span.title')[0].text
    rating = item.select('div.info div.bd div.star span.rating_num')[0].text
    print(rank, title, rating)

解析：