首页手记爬虫实战-手把手教你爬豆瓣电影

爬虫实战-手把手教你爬豆瓣电影

标签：

Python 数据分析&挖掘爬虫

点赞再看，养成好习惯

Python版本3.8.0，开发工具：Pycharm

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：

如果上面三小节还有问题，可以点回去再复习一下。作为基础内容并不是要求大家一定都掌握，特别是第三小节，网页解析用法特别多，一般人很难都记住。

我在写这篇的时候也会时不时的翻回去看一看之前的文章，可能有的方法并不是最简单的方法，但是只要达成目的就ok，这里你们自由发挥。

“小一哥，为什么你这里用的是 find 方法解析，我用正则表达式可以吗？”
“当然可以啊，或许你的正则表达式实现起来更简单”

那么，作为我们爬虫的第一个小项目，我会尽可能的讲清楚每一步代码，就算没讲到，也会有注释，不用担心跟不上看不懂。

另外，虽然说是第一篇爬虫文章，但我还是会对爬虫的结果进行数据分析。对于项目而言比较简单，目的是让大家了解整个分析的过程。

记住一点：爬虫永远不是我们的终点，最多算是我们数据分析之路的踏板。

源码获取方式在文末

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：

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：

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

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

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

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！

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：

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？”

“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！”

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')