【爬虫】七夕快到了，想好和女朋友看什么片了吗？来一起用 Python 爬取豆瓣电影分类排行榜

七夕快到了，和女朋友看什么片好呢？

噢忘了你还没有女朋友。要是缺女朋友，来看看我的这篇文章，做一个表白神器让你的七夕不孤单！

《七夕都要到了，你还没有女朋友？教你用 Python 的 tkinter 做一个表白神器！为了幸福》

我先迫不及待地拿出我的Python。

需求分析

1. 爬取豆瓣电影分类排行榜
2. 保存至本地

准备工作

安装 requests 和 pyquery 库：

快捷键 Windows+r 打开运行控制框，输入 cmd，进入命令行，输入：

pip install requests
pip install pyquery
           

导入：

import requests
from pyquery import PyQuery as pq
           

网页解析与请求

打开网址：https://movie.douban.com/chart

第一步：爬取分类关键字

我们首先要爬取电影分类的文字信息：

我们首先要发送 get 请求获得 html 源码并解析，获取分类信息。

右键，点击检查元素，调出开发者模式，我们先点击

Network

栏，录制我们的网络活动。刷新一下网页，可以看到这里有一个链接，就是我们这个网页的网址：

在这里找到网址和请求头，当然，请求头中有许多都是不必要的参数，我们只需要 Cookie、Referer、User-Agent 就可以了。发送请求：

url1 = 'https://movie.douban.com/chart'
headers1 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/',
	'User-Agent': '...'
}

response1 = requests.get(url1, headers=headers1) # 发送请求
           

获取到网页源码后，点击

Elements

，然后点击左上角的箭头，选中分类标签，寻找该部分的html源码：

找到分类标签的位置后，用 pyquery 解析一下：

typelabels = pq(response1.text).find('.types span a') # 查找节点
typeslist = list(typelabels.items()) # 转为列表，方便之后的索引
           

然后我们循环遍历列表，打印出序号和关键词，并等待用户输入：

for i, n in enumerate(typeslist):
	print(str(i) + '：', n.text())
    
choose = int(input('请选择：'))
           

第二步：获取分类榜单

照样是点击

Network

栏，录制我们的网络活动。这次我们点击一个分类，进入分类界面。可以看到这里有一个链接，就是我们进行请求的网址，Preview 里有我们需要的榜单。注意这里会有两个类似的网址，注意区分：

但是请求的参数我们无法获取：

这时候要说一下，我们在发送请求时，一般地址中问号后面的可以省略，是因为问号后面的即是请求参数，我们发送 params 信息就不需要后面的参数了。params 设置发送请求时所带的参数，字典或字节流格式，作为额外参数连接到url中（问号后的部分）。既然这样，那么我们也可以反过来，在地址中放入参数，就能够省略掉 params 了。

我们可以发现，在网页源代码的分类标签中，href 属性里面有链接后缀：

这时候我们只需将请求的网址

'https://movie.douban.com/j/chart/top_list'

和后缀除

/typerank

的部分连接起来，就能够得到需要的地址：

add = typeslist[choose].attr('href')
url2 = 'https://movie.douban.com/j/chart/top_list' + add.lstrip('/typerank')
#'https://movie.douban.com/j/chart/top_list?type_name=剧情&type=11&interval_id=100:90&action='
           

最后发送 get 请求，获取榜单信息，并不需要params传入参数：

headers2 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/typerank',
	'User-Agent': '...'
}

response2 = requests.get(url=url2, headers=headers2)
           

然后再筛选出需要的信息，打印出来：

for i, n in enumerate(response2.json()):
	print(i+1, n['title'] + '		' + n['rating'][0] + '【' + ','.join(n['types']) + '】', sep=' ')
    #打印排名、名称、评分及影片类型
           

效果：

完整代码

from pyquery import PyQuery as pq
import requests

url1 = 'https://movie.douban.com/chart'
headers1 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/',
	'User-Agent': '...'
}

response1 = requests.get(url1, headers=headers1) # 第一次请求，获取关键词

typelabels = pq(response1.text).find('.types span a') # 查找节点
typeslist = list(typelabels.items()) # 转为列表，方便之后的索引

for i, n in enumerate(typeslist):
	print(str(i) + '：', n.text()) # 打印关键词

choose = int(input('请选择：'))

add = typeslist[choose].attr('href')

url2 = 'https://movie.douban.com/j/chart/top_list' + add.lstrip('/typerank') # 合并生成url
headers2 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/typerank',
	'User-Agent': '...'
}
response2 = requests.get(url=url2, headers=headers2) # 第二次请求，获取榜单

for i, n in enumerate(response2.json()): # 打印榜单/
	print(i, n['title'] + '		' + n['rating'][0] + '【' + ','.join(n['types']) + '】', sep=' ')

           

选：保存到本地

一般来说，以上的功能就足以满足查询的需要，但有时候我们也想要把它保存下来，以下是爬取并保存的完整代码：

import requests
from pyquery import PyQuery as pq
import xlwt

# 新建工作簿
wb = xlwt.Workbook(encoding='utf-8')

url1 = 'https://movie.douban.com/chart'
headers1 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/',
	'User-Agent': '...'
}
response1 = requests.get(url1, headers=headers1).text

typelabels = pq(response1.text).find('.types span a') # 查找节点
typeslist = list(typelabels.items()) # 转为列表，方便之后的索引

headers2 = {
	'Cookie': '...',
	'Referer': 'https://movie.douban.com/typerank',
	'User-Agent': '...'
}

for j in typeslist:
    # 新建工作表
	ws = wb.add_sheet(i.text, cell_overwrite_ok=True)
	
    #发送请求
    add = i.attr('href')
	url2 = 'https://movie.douban.com/j/chart/top_list' + add.lstrip('/typerank')
    response2 = requests.get(url=url2, headers=headers2)
    
    #提取有用信息
    datas = [[i+1, n['title'], n['rating'][0], '【' + ','.join(n['types']) + '】'] for i, n in enumerate(response2.json())]
    
	# 将表头和内容合并
	table += [j for i in datas for j in i]

	# 填入内容
	for i, n in enumerate(table):
    	ws.write(i // 4, i % 4, n)

# 保存工作表
wb.save('豆瓣电影分类排行榜.xls')
           

效果：

温馨提示：爬取并保存全部，所耗费的时间过长，请耐心等待……

– the End –

以上就是我分享的全部内容，感谢阅读！

作者提供片子榜单，但不提供女朋友！

噢要是缺女朋友，来看看我的这篇文章，做一个表白神器让你的七夕不孤单！

《七夕都要到了，你还没有女朋友？教你用 Python 的 tkinter 做一个表白神器！为了幸福》

本文收录于专栏：Python爬虫

关注作者，持续阅读作者的文章，学习更多Python知识！

https://blog.csdn.net/weixin_52132159

2021/8/8

推荐阅读

• Python爬虫 | 爬取b站北京奥运会开幕式弹幕，有多少人从东京奥运会跑过来的？
• 绝密！Python爬虫告诉你刷分机器人背后的原理！这篇文章差点没过审
• Python每天一道题：昆虫繁殖问题？我把密密麻麻的幼虫和成虫搞定了
• 没想到我连五年级的题目都解不出来？可不能被人小看，让万能的Python登场
• Python：程序猿怎么追女生？教你短短几行代码表白，告别表白尴尬！
• 想学Python不知从何入手？学习Python必备秘籍，附地址，速拿！
• Python标准库：datetime 时间和日期模块 —— 时间的获取和操作详解
• 学习笔记 | PyInstaller 使用教程——用pyinstaller打包exe应用程序【建议收藏！】
• 【Python爬虫】爬虫利器 requests 库小结（建议收藏！）