120行代码爬取豆瓣电影，附源码!就拿刚上映的复联4做例子！ - 好文

学习爬虫，拿豆瓣电影进行练手，无奈豆瓣电影存在反爬机制，爬完250就会重定向要求我进行登陆操作，所以我这一次只爬取前50进行相关测试，废话不多说，我们来看下源代码：

120行代码爬取豆瓣电影，附源码!就拿刚上映的复联4做例子！
import requests from bs4 import BeautifulSoup import re import pandas headers
= { 'Host':'movie.douban.com', 'Origin':'movie.douban.com',
'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Mobile
Safari/537.36', } base_url = 'https://movie.douban.com/top250?start={}&filter='
response = requests.get('https://movie.douban.com/top250?start=0&filter=',
headers = headers) if response.status_code == 200: # print(response.text) pass
pattern1 =
re.compile('<div.*?class="item">.*?<div.*?class="pic">.*?<a.*?href="(.*?)">',
re.S) # 去掉所有换行符，并用正则表达式去匹配每一个页面的具体电影 urls = re.findall(pattern1, response.text)
directors = [] # 导演 names = [] # 电影名 stars = [] # 主演 countrys = [] # 电影的出产地
languages = [] # 电影语言 headers_urls = { 'Host':'movie.douban.com',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36' } # <span
property="v:itemreviewed">肖申克的救赎 The Shawshank Redemption</span> # <a
href="/celebrity/1047973/" rel="v:directedBy">弗兰克·德拉邦特</a> # <a
href="/celebrity/1054521/" rel="v:starring">蒂姆·罗宾斯</a> def base_urls(base_url):
urls = [] # 这里我们只能前两页做测试，所以range只设置到了50 # for i in range(0, 275, 25): #
true_url = base_url.format(i) # print(true_url) for i in range(0, 50, 25):
true_url = base_url.format(i) print(true_url) response = requests.get(true_url,
headers=headers) if response.status_code == 200: # print(response.text)
pattern1 =
re.compile('<div.*?class="item">.*?<div.*?class="pic">.*?<a.*?href="(.*?)">',re.S)
# 去掉所有换行符，并用正则表达式去匹配每一个页面的具体电影 url = re.findall(pattern1, response.text) #
因为这里是用findall，他返回的是一个列表，如果我们直接append，会导致列表嵌套，故我们这里用个for循环提取出列表的元素再append进去 for
i in url: urls.append(i) return urls def parse_url(urls): #
因为只拿前两页做测试，所以range设置到50 for i in range(0, 50, 1): res = requests.get(urls[i],
headers = headers_urls) print(res) if res.status_code == 200: soup =
BeautifulSoup(res.text, 'lxml') # 爬取电影名 name = (soup.find('span',
property="v:itemreviewed")) names.append(name.text) # print(names) # 爬取导演
director = soup.find('a', rel="v:directedBy") directors.append(director.text) #
print(director.text) # 爬取明星 star_save = [] for star in soup.find_all('a',
rel="v:starring"): star_save.append(star.text) stars.append(star_save) #
print(stars) # 爬取制片国家 #<span class="pl">制片国家/地区:</span> 美国<br> #
学到的知识点：通过匹配文本内容找下个兄弟节点 country = soup.find('span',
text='制片国家/地区:').next_sibling[1:] countrys.append(country) # print(countrys) #
爬取影片语言 # <span class="pl">语言:</span> language = soup.find('span',
text='语言:').next_sibling[1:] languages.append(language) # print(language) #
print(directors) # print(true_director) # print(a) if __name__ == '__main__':
base = base_urls(base_url) print(base) print(len(base)) parse_url(base)
print(countrys) print(directors) print(languages) print(names) # #
最后我们将数据写入到一个excel表格里 info ={'Filmname':names, 'Directors':directors,
'Country':countrys, 'Languages':languages} pdfile = pandas.DataFrame(info) #
pdlook.to_excel('链家.xlsx', sheet_name="链家二手房广州")
pdfile.to_excel('DoubanFilm.xlsx', sheet_name="豆瓣电影")

这次用到的还是requests库，BeautifulSoup解析库，和re进行辅助的正则匹配库，最后老样子利用pandas的DataFrame进行excel的写入。

可以添加QQ群808713721，有实训项目，有清晰源码，有相应的文件.

热门工具换一换