爬虫项目实战：利用基于selenium框架的爬虫模板爬取豆瓣电影Top250

• 👋 Hi, I’m @货又星
• 👀 I’m interested in …
• 🌱 I’m currently learning …
• 💞 I’m looking to collaborate on …
• 📫 How to reach me … - README 目录（持续更新中） 各种错误处理、爬虫实战及模板、百度智能云人脸识别、计算机视觉深度学习CNN图像识别与分类、PaddlePaddle自然语言处理知识图谱、GitHub、运维…- WeChat：1297767084- GitHub：https://github.com/cxlhyx

文章目录

概要

 利用基于selenium框架的爬虫模板进行项目实战

博主之前发了一篇爬虫：解决动态刷新、基于selenium框架的爬虫、解决登录以及验证码问题（含爬虫模板），介绍了爬虫如何解决动态刷新、基于selenium框架的爬虫、如何解决登录以及验证吗问题，以及分享了爬虫的源码：爬虫模板、基于selenium框架的爬虫模板（包含登录与验证码问题）、爬虫项目实战：爬虫模板爬取单位净值 (动态更新网址)。

还利用了爬虫模板来进行简单的入门项目：爬取豆瓣图书Top250。爬虫项目实战：利用爬虫模板爬取豆瓣图书Top250

今天我们利用基于selenium框架的爬虫模板进行另外一个简单的入门项目：爬取豆瓣电影Top250。流程基本上是一样的，但使用selenium框架我们可以解决某些看得到源码，使用request库却爬取不到的情况。

整体架构流程

整体架构流程基于selenium框架的爬虫模板

由于豆瓣电影没有使用太强的反爬机制，html源码利用F12打开开发人员工具看得到也爬得到，所以直接使用简单的爬虫模板也是可以的。但这了我们使用基于selenium框架的爬虫模板，模板请在概要或者源码的链接里自取。

技术细节

 其实这里要做的与使用爬虫模板爬取豆瓣图书Top250是一样的，大家可以对比一下。

爬虫项目实战：利用爬虫模板爬取豆瓣图书Top250

 需要做的修改：

• Step 2: 解析网页并提取目标数据
• Step 3: 存储数据到本地或其他持久化存储服务器中
• Step 4: 控制流程，调用上述函数完成数据抓取任务

Step 2: 解析网页并提取目标数据

对爬取到的html源码进行解析，需要我们对html语言有一定的了解，可以简单了解一下HTML 教程- (HTML5 标准)，同时还需要对BeautifulSoup有了解，可以参考python爬虫之Beautifulsoup模块用法详解。
这里我们主要爬取电影的名称、人物时间地点类型、评分、简介。我们打开一个网页豆瓣电影 Top 250，F12打开开发人员工具，查看对应的html源码。

可以看到：

1. 名称：有三种，中文名，外文名，别名。各自在一个span标签内，所以我们向上找它们的父标签，是一个链接标签a，不太方便查找，继续向上找，可以查找class为hd的div标签，然后在这个标签里去找class为title或other的span标签。注意到在外文名、别名前有 / ，爬取后会变成\xa0/\xa0，所以需要将他们去掉。

data_list =[]
data_list.append([[j.text.replace("\xa0/\xa0","")for j in i.find_all('span',['title','other'])]for i in soup.find_all('div','hd')])# 电影名

1. 人物时间地点类型：在class为空的p标签里，所以只能向上找class为bd的div标签，然后再在这个标签里去找p标签。一样需要对爬取下来的字符串进行处理，包括\ 、\n、空格等等 。

 wwww =[]for i in soup.find_all('div','bd'):
     tmp =[]for j in i.find('p', _class=''):
         text = j.text.replace("\xa0\xa0\xa0",'\\')
         text = text.replace("\xa0","")
         text = text.replace("\n","")
         text = text.replace(" ","")if text !=""and text !='豆瓣':
             tmp.append(text)iflen(tmp)!=0:
         wwww.append(tmp)
 data_list.append(wwww)# who when where what

1. 评分：由于评分所在的标签span，既有属性class=“rating_num”，又有property=“v:average”,所以很明显可以直接查找。

data_list.append([i.text for i in soup.find_all('span',{'class':"rating_num",'property':"v:average"})])# 评分

1. 简介：在一个p标签里面，但它所在的span标签有class为inq，可以直接查找。不过比起其它三个，某些书没有这一项，所以有可能会对应不上，于是对于没有的，我们把它设为空。因此，我们也没办法直接查找span标签了，所以我们通过它的祖先标签div，class值为info间接搜索它，找到的直接添加在数据列表，没有就加空字符串。

 About =[]for i in soup.find_all('div','info'):if i.find('span','inq'):
         About.append(i.find('span','inq').text)else:
         About.append(" ")
 data_list.append(About)# 简介

Step 3: 存储数据到本地或其他持久化存储服务器中

在step2中，我们将爬取到250部电影的名字、人物时间地点类型、评分、简介分别存在一个列表当中，一共4个列表，再把它们放在一个大列表中。这一步要做的是就是把他们存储在txt或者其它文件当中，还是比较简单的，主要就是文件的读取而已。

与爬取图书稍有不同，电影名字可能有中文名，外文名，别名，也有可能只有中文名和别名，这里需要区分一下。还有就是人物时间地点类型，会分成两部分爬取，即人物、时间地点类型。评分与简介是一样的。

withopen("豆瓣电影Top250.txt",'a', encoding='utf-8')asfile:for i inrange(25):iflen(result_list[0][i])==2:file.write("Chinese name: "+ result_list[0][i][0]+'\n')file.write("Other name: "+ result_list[0][i][1]+'\n')eliflen(result_list[0][i])==3:file.write("Chinese name: "+ result_list[0][i][0]+'\n')file.write("Foreign name: "+ result_list[0][i][1]+'\n')file.write("Other name: "+ result_list[0][i][2]+'\n')file.write("Who: "+ result_list[1][i][0]+'\n')file.write("When/Where/What: "+ result_list[1][i][1]+'\n')file.write("Score: "+ result_list[2][i]+'\n')file.write("About: "+ result_list[3][i]+'\n')file.write('='*50+'\n')

Step 4: 控制流程，调用上述函数完成数据抓取任务

与基于selenium框架的爬虫模板相比，这一步只需稍微修改，原因是豆瓣的每一页只有25部电影，而我们要爬取的是Top250的。那么如何解决呢，观察榜单的链接可以发现榜单的每一页的链接都只是在

 https://movie.douban.com/top250?start=

的后面加上0、25…而已，所以简单遍历一下就可以了。
与爬取豆瓣图书Top250相比则在于需要打开关闭浏览器。

driver = webdriver.Firefox()# 打开火狐浏览器
spider = MySpider()
url ="https://movie.douban.com/top250?start="for page in trange(0,250,25):
    target_url = url +str(page)
    html_content = spider.get_html_content(target_url)if html_content:
        result_list = spider.parse_html(html_content)
        spider.store_data(result_list)else:print("网页访问失败")
driver.close()# 关闭浏览器

结果

 部分结果如图

源码

基于selenium框架的爬虫模板请看爬虫：解决动态刷新、基于selenium框架的爬虫、解决登录以及验证码问题（含爬虫模板）

from selenium import webdriver  # 打开网页爬取源码from bs4 import BeautifulSoup  # 解析源码from tqdm import trange

classMySpider():def__init__(self):pass# Step 1: 访问网页并获取响应内容defget_html_content(self, url):try:
            driver.get(url)
            driver.set_page_load_timeout(10)# 设置超时限制10s
            html_content = driver.page_source  # 网页内容return html_content  # 返回网页内容except Exception as e:print(f"网页请求异常：{e}")returnNone# Step 2: 解析网页并提取目标数据defparse_html(self, html_content):
        soup = BeautifulSoup(html_content,'html.parser')# 解析 html 数据# TODO：根据需求编写解析代码，并将结果保存到合适的数据结构中
        data_list =[]
        data_list.append([[j.text.replace("\xa0/\xa0","")for j in i.find_all('span',['title','other'])]for i in soup.find_all('div','hd')])# 电影名
        wwww =[]for i in soup.find_all('div','bd'):
            tmp =[]for j in i.find('p', _class=''):
                text = j.text.replace("\xa0\xa0\xa0",'\\')
                text = text.replace("\xa0","")
                text = text.replace("\n","")
                text = text.replace(" ","")if text !=""and text !='豆瓣':
                    tmp.append(text)iflen(tmp)!=0:
                wwww.append(tmp)
        data_list.append(wwww)# who when where what
        data_list.append([i.text for i in soup.find_all('span',{'class':"rating_num",'property':"v:average"})])# 评分
        About =[]for i in soup.find_all('div','info'):if i.find('span','inq'):
                About.append(i.find('span','inq').text)else:
                About.append(" ")
        data_list.append(About)# 简介return data_list

    # Step 3: 存储数据到本地或其他持久化存储服务器中defstore_data(self, result_list):# TODO：编写存储代码，将数据结果保存到本地或其他服务器中withopen("豆瓣电影Top250.txt",'a', encoding='utf-8')asfile:for i inrange(25):iflen(result_list[0][i])==2:file.write("Chinese name: "+ result_list[0][i][0]+'\n')file.write("Other name: "+ result_list[0][i][1]+'\n')eliflen(result_list[0][i])==3:file.write("Chinese name: "+ result_list[0][i][0]+'\n')file.write("Foreign name: "+ result_list[0][i][1]+'\n')file.write("Other name: "+ result_list[0][i][2]+'\n')file.write("Who: "+ result_list[1][i][0]+'\n')file.write("When/Where/What: "+ result_list[1][i][1]+'\n')file.write("Score: "+ result_list[2][i]+'\n')file.write("About: "+ result_list[3][i]+'\n')file.write('='*50+'\n')# Step 4: 控制流程，调用上述函数完成数据抓取任务if __name__ =='__main__':
    driver = webdriver.Firefox()# 打开火狐浏览器
    spider = MySpider()
    url ="https://movie.douban.com/top250?start="for page in trange(0,250,25):
        target_url = url +str(page)
        html_content = spider.get_html_content(target_url)if html_content:
            result_list = spider.parse_html(html_content)
            spider.store_data(result_list)else:print("网页访问失败")
    driver.close()# 关闭浏览器