写在前面的话

目前为止，你应该已经了解爬虫的三个基本小节：

来源：xiaqo.com
 

• 正文

  明确需求

  我们今天要爬的数据是豆瓣电影Top250，是的，只有250条数据，你没猜错。

  输入网址 https://movie.douban.com/top250 我们可以看到网页长这样：

   

  ​

  编辑

  ​

  编辑

  `250条数据`清清楚楚，没有问题。

  可以看到，这个页面其实已经包含了影片的主要内容：影片名、排序、编剧、主演、年份、类型、评论人数、评分，基本上都在这个页面中。但我点开详细影片之后，发现了这个：

  ​

  编辑

  似乎这个页面数据更全一些，我们爬数据要的是什么，肯定是数据越多越好啊。相比这个详细内容，更是多了每个星级的影评占比，那我们肯定选择它了啊
  
  
  好，那理一下我们的思路

   

  写一下伪代码

  # 遍历10页
  data_movies # 保存所有影片数据集
  for per_page in pages:	
  	# 爬取10页的每一页数据 
  	movies = craw_page_info(per_page)
      # 遍历每一页的25个影片
  	for movie in movies:
          # 爬取每个影片的详细内容
          data_per_movie = craw_detail_info(movie)
          # 保存每个影片信息到数据集中
          data_movies.append(data_per_movie)
          
  # 保存结果到数据库中
  data_movies_to_mysql
  

  

  稍微解释一下：两层循环，第一层是遍历10页网页，因为其中每个网页分别有25个影片，所以，第二层循环又依次遍历25个影片获取详细信息，最后保存结果到数据库中！

  是不是，很，简，单！

  但是，实操起来你可能会遇到各种各样的问题，做好心理准备！

  #### 开始实操 **首先，确定我们要输出的影片字段** `主要数据`包括：影片排序、影片名称、影片导演、影片编剧、影片主演、影片又名、影片链接 `关键数据`包括：影片类型、制片国家、影片语言、上映日期、影片片长 `核心数据`包括：影片评分、评论人数、5/4/3/2/1各星级对应的评论占比

  字段如下：

  movie_rank：影片排序
  movie_name：影片名称
  movie_director：影片导演
  movie_writer：影片编剧
  movie_starring：影片主演
  movie_type：影片类型
  movie_country：影片制片国家
  movie_language：影片语言
  movie_release_date：影片上映日期
  movie_run_time：影片片长
  movie_second_name：影片又名
  movie_imdb_href：影片IMDb 链接
  movie_rating：影片总评分
  movie_comments_user：影片评论人数
  movie_five_star_ratio：影片5星占比
  movie_four_star_ratio：影片4星占比
  movie_three_star_ratio：影片3星占比
  movie_two_star_ratio：影片2星占比
  movie_one_star_ratio：影片1星占比
  movie_note：影片备注信息，一般为空
  

  

  
  然后，开始主流程

  确认一下主要参数，起始页码（默认为0），每页影片25个，共10页，
  参数如下：

  start_page：起始页码
  page_size：每一页大小
  pages：总页码
  

  

  
  定义类对象

  这里我们将每个影片封装成一个对象，传入我们的主要参数，设置爬虫头部，并建立和数据库的相关连接

  类定义对象如下：

  class DouBanMovie:
      def __init__(self, url, start_page, pages, page_size):
          """
          初始化
          @param url: 爬取主网址
          @param start_page: 起始页码
          @param pages: 总页码（截止页码）
          @param page_size: 每页的大小
          """
          self.url = url
          self.start_page = start_page
          self.pages = pages
          self.page_size = page_size
          self.data_info = []
          self.pymysql_engine, self.pymysql_session = connection_to_mysql()
          self.headers = {
              'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
          }
  

  

  “小一哥，你这里的数据库连接用的是什么啊，我怎么看不太懂？” “我封装了一下，数据库的连接这里选用了 SQLAlchemy。"

  不要着急，以后会专门写一篇 SQLAlchemy 关于数据库的相关操作

  #  创建基类,
  Base = declarative_base()
  def connection_to_mysql():
      """
      连接数据库
      @return:
      """
      engine = create_engine('mysql+pymysql://username:passwd@localhost:3306/db_name?charset=utf8')
      Session = sessionmaker(bind=engine)
      db_session = Session()
      # 创建数据表
      Base.metadata.create_all(engine)
      return engine, db_session
  

  

  
  确定主框架：

  # 如果当前页码小于0，异常退出
  if self.start_page < 0:
  	return ""
  # 如果起始页面大于总页码数，退出
  if self.start_page > self.pages:
  	return ""
  # 若当前页其实页码小于总页数，继续爬取数据
  while self.start_page < pages:
      # 拼接当前页的网址
      # 主爬虫代码
      # 下一页
      self.start_page = self.start_page + 1
  

  

  拼接当前页的网址这里解释一下，当我们去访问第一页的时候发现网址如下

  https://movie.douban.com/top250
  

  

  去访问下一页的时候发现网址变化如下

  https://movie.douban.com/top250?start=25&filter=
  

  

  而再下一页的网址变化如下：

  https://movie.douban.com/top250?start=50&filter=
  

  

  可以发现，新的网址只是变化了后面的 start 参数，于是我们拼接出每一页的网址：

  start_number = self.start_page * self.page_size
  new_url = self.url + '?start=' + str(start_number) + '&filter='
  

   

  爬取第一个页面

  确定好主框架之后，我们需要去爬取第一个网页，也就是包含25个影片的页面。

  这时候，我们前三节提到的爬虫实现方式直接拿过来：

  self.headers = {
  	'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
  }
              
  # 爬取当前页码的数据
  response = requests.get(url=new_url, headers=self.headers)
  

  

  成功获取到页面数据之后，我们需要对页面解析，拿到每一个影片跳转详细页面的超链接

  通过谷歌浏览器 F12 开发者工具可查看网页源码

  可以看到每个影片的详细信息在一个li 标签中，而每个 li 标签中都有一个class='pic' 的 div，在 div 里面存在这样一个 a 标签 中

  而这个 a 标签的 href 正是我们要需要的 详细页面信息的超链接

  ​

  编辑

  确定了超链接位置所在，打开我们上一节的 BeautifulSoup 详解，定位、解析

  soup = BeautifulSoup(response.text, 'html.parser')
  # 定位到每一个电影的 div （pic 标记的 div）
  soup_div_list = soup.find_all(class_="pic")
  # 遍历获取每一个 div 的电影详情链接
  for soup_div in soup_div_list:
      # 定位到每一个电影的 a 标签
      soup_a = soup_div.find_all('a')[0]
      movie_href = soup_a.get('href')
      print(movie_href)
  

  

  拿到当前页面的25 个影片的详细内容的超链接

  我们离成功又进了一步！
  
  
  爬取详细页面

  同样，一行代码拿下页面数据

  '''爬取页面，获得详细数据'''
  response = requests.get(url=movie_detail_href, headers=self.headers)
  

  

  创建一个有序字典，保存当前影片数据

  # 生成一个有序字典，保存影片结果
  movie_info = OrderedDict()
  

  

  我们再来看一下这个页面的的源码是什么样的，首先是影片排序和影片名称，我们可以从上个页面传递过来。但是，既然它这里有，我直接解析行不行？

  必须行啊！

  ​

  编辑

  这个更简单，影片排名直接定位一个 `class='top250-no' 的 span 标签`，影片名称定位一个 `property='v:itemreviewed' 的 span 标签`，获取标签内容即可

  # 解析电影排名和名称
  movie_info['movie_rank'] = soup.find_all('span', class_='top250-no')[0].string
  movie_info['movie_name'] = soup.find_all('span', property='v:itemreviewed')[0].string
  

   

  接下来是影片主要数据：

  ​

  编辑

  
  
  

  这个时候我们需要先定位到 id='info' 的 div中，然后可以看到整个 div 的数据就是我们需要的主要数据。

  # 定位到影片数据的 div
  soup_div = soup.find(id='info')
  

  

  “不对啊，小一哥，我发现编剧有时候是一个，有时候是多个。多个的时候存在在多个 span 标签中，这个怎么办啊？”

  ​

  编辑

  “这个简单，我写一个小函数，统一处理一下。“

  def get_mul_tag_info(self, soup_span):
      """
      获取多个标签的结果合并在一个结果中返回，并用 / 分割
      """
      info = ''
      for second_span in soup_span:
          # 区分 href 和标签内容
          info = ('' if (info == '') else '/').join((info, second_span.string))
      return info
  

  

  “对了，你记得把最外层的 span 标签给我就行。像这种：”

  # 解析电影发布信息
  movie_info['movie_director'] = self.get_mul_tag_info(soup_div.find_all('span')[0].find_all('a'))
  movie_info['movie_writer'] = self.get_mul_tag_info(soup_div.find_all('span')[3].find_all('a'))
  movie_info['movie_starring'] = self.get_mul_tag_info(soup_div.find_all('span')[6].find_all('a'))
  movie_info['movie_type'] = self.get_mul_tag_info(soup_div.find_all('span', property='v:genre'))
  movie_info['movie_country'] = soup_div.find(text='制片国家/地区:').next_element.lstrip().rstrip()
  movie_info['movie_language'] = soup_div.find(text='语言:').next_element.lstrip().rstrip()
  movie_info['movie_release_date'] = self.get_mul_tag_info(soup_div.find_all('span', property='v:initialReleaseDate'))
  movie_info['movie_run_time'] = self.get_mul_tag_info(soup_div.find_all('span', property='v:runtime'))
  movie_info['movie_imdb_href'] = soup_div.find('a', target='_blank')['href']
  

  

  “小一哥，又出问题了，有的影片没有又名标签，这个怎么处理呢？”

  “这个我们做个异常检测，没有的手动赋空值就行了。”

  movie_second_name = ''
  try:
  	movie_second_name = soup_div.find(text='又名:').next_element.lstrip().rstrip()
  except AttributeError:
      print('{0} 没有又名'.format(movie_info['movie_name']))
      movie_info['movie_second_name'] = movie_second_name
  

   

  最后还剩下评分数据

  评分数据不但有总评分，还有每个星级的评分。

  “小一哥，你说我们取哪个数据啊？”

  “小孩才做选择，我当然是全部都要！”

  ​

  编辑

  可以看到，总评分和总评论人数分别有一个`唯一的 property`，分别是` property='v:average' 的 strong 标签`和 `property='v:votes' 的 span 标签`

  ok，接下来直接拿数据：

  # 获取总评分和总评价人数
  movie_info['movie_rating'] = soup.find_all('strong', property='v:average')[0].string
  movie_info['movie_comments_user'] = soup.find_all('span', property='v:votes')[0].string
  

  

  最后就剩下每个星级的评分占比，可以看到 5星/4星/3星/2星/1星 分别对应 力荐/推荐/还行/较差/很差，可以看到他们都存在在一个class='ratings-on-weight' 的 div中

  所以，先定位 div ：

  # 定位到影片星级评分占比的 div
  soup_div = soup.find('div', class_="ratings-on-weight")
  

  

  然后获取每个星级评分占比数据：

  # 获取每个星级的评分
  movie_info['movie_five_star_ratio'] = soup_div.find_all('div')[0].find(class_='rating_per').string
  movie_info['movie_four_star_ratio'] = soup_div.find_all('div')[2].find(class_='rating_per').string
  movie_info['movie_three_star_ratio'] = soup_div.find_all('div')[4].find(class_='rating_per').string
  movie_info['movie_two_star_ratio'] = soup_div.find_all('div')[6].find(class_='rating_per').string
  movie_info['movie_one_star_ratio'] = soup_div.find_all('div')[8].find(class_='rating_per').string
  

  

  打印一下看一下我们当前的影片数据：

  对 movie_starring 字段只输出部分显示

  OrderedDict(
  	[
  		('movie_rank', 'No.1'), 
  		('movie_name', '肖申克的救赎 The Shawshank Redemption'), 
  		('movie_director', '弗兰克·德拉邦特'), 
  		('movie_writer', '弗兰克·德拉邦特/斯蒂芬·金'), 
  		('movie_starring', '蒂姆·罗宾斯/摩根·弗里曼/鲍勃·冈顿/威廉姆·赛德勒/), 
  		('movie_type', '剧情/犯罪'), 
  		('movie_country', '美国'), 
  		('movie_language', '英语'), 
  		('movie_release_date', '1994-09-10(多伦多电影节)/1994-10-14(美国)'), 
  		('movie_run_time', '142分钟'), 
  		('movie_imdb_href', 'https://www.imdb.com/title/tt0111161'), 
  		('movie_rating', '9.7'), 
  		('movie_comments_user', '1720706'), 
  		('movie_five_star_ratio', '84.8%'), 
  		('movie_four_star_ratio', '13.6%'), 
  		('movie_three_star_ratio', '1.4%'), 
  		('movie_two_star_ratio', '0.1%'), 
  		('movie_one_star_ratio', '0.1%'), 
  		('movie_note', '')
  	]
  )
  

  

  搞定，成功拿到了想要的数据，最后一步：保存数据库

  # 保存当前影片信息
  self.data_info.append(movie_info)
  # 获取数据并保存成 DataFrame
  df_data = pd.DataFrame(self.data_info)
  # 导入数据到 mysql 中
  df_data.to_sql('t_douban_movie_top_250', self.pymysql_engine, index=False, if_exists='append')
  

  

  看一眼我们的数据库，该有的数据都存进去了

  ​

  编辑

  到这里，爬虫就算是结束了。
  
  

   

  总结一下：

  准备工作：

   

  开始爬虫：

   

  思考：

  以上就是我们今天爬虫实战的主要内容，相对来说比较简单。

  第一个项目，旨在让大家了解爬虫流程，同时，也可以思考一下以下几点：

  以上数据的获取是否可以用今天的获取方法？如果不行，那应该通过什么方式获取这些数据？
  

   

  写在后面的话

  今天的实战项目就结束了，需要源代码的同学可以在公众号后台回复 豆瓣电影 获取，如果觉得小一哥讲的还不错的话，不妨点个赞？

  开篇已经提到，我们的目的不是爬数据。所以，我会利用这些数据做一个简单数据分析，目的很简单：了解数据分析的流程。下期见。

  • 首先，进入豆瓣电影Top250，一共10页，每页25个影片。
  • 然后，针对每一页的25个影片，进入其详细内容页面
  • 最后，解析每个影片的详细内容，保存内容到数据库中
  • 首先我们定义了一个影片对象，传入了网址的参数信息，设置了爬虫头部，并建立了数据库连接
  • 我们通过下一页分析出每个影片页的超链接，发现只是改变了参数
  • 建立了主流程，并写出了主流程的伪代码
  • 爬取第一页的网页内容
  • 解析第一页的内容，获取每页中25个影片的详细超链接
  • 爬取详细影片的网页内容
  • 解析第二页的内容，保存到每个影片对象中
  • 保存数据到数据库中
  • 影片详细页面的短评论数据
  • 影片详细页面的获奖情况数据
  • 影片详细页面的讨论区数