- 👋 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:
- 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
- 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
- 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
- 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
版权归原作者 货又星 所有, 如有侵权,请联系我们删除。