关于模拟浏览器登录的header,可以在相应网站按F12调取出编辑器,点击netwook,如下:

python爬虫--爬取豆瓣top250电影名

以便于不会被网站反爬虫拒绝。

 

 1 import requests
 2 from bs4 import BeautifulSoup
 5 def get_movies():
 6     headers = {
 7         'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
 8         'Host': 'movie.douban.com'
 9     }
10     movie_list = []                                                       #定义序列
11     for i in range(0, 10):
12         link = 'https://movie.douban.com/top250?start=' + str(i * 25)     #通过循环,下载第二页,第三页
13         r = requests.get(link, headers=headers, timeout=10)               #timeout=10,响应时长
14         print(str(i + 1), "页响应状态码:", r.status_code)                   #显示状态码,返回200,请求成功
15 
16         soup = BeautifulSoup(r.text, "lxml")
17         div_list = soup.find_all('div', class_='hd')                     #如下图显示,电影名字在div标签之后
18         for each in div_list:
19             movie = each.a.span.text.strip()                              #span后的文本
20             movie_list.append(movie)                                      #append(movie),在movie_list中添加movie序列
21 return movie_list
24 movies = get_movies()
25 print(movies)

python爬虫--爬取豆瓣top250电影名