十行Python代码爬取豆瓣电影Top250信息

• 实验环境
• 爬取网页内容
• 1、确认我们需要爬取的内容
• 2、获取请求头信息
• 3、使用requests模拟连接并获取网页HTML

• 1、查看爬取到的HTML，确定需要解析的HTML数据内容
• 2、使用pyquery对获取的HTML进行解析

相信大家都有过找片两小时，找到累了不想看的经历吧，给大家个建议：在豆瓣高分电影排行榜上挨部看下去，高效不纠结，还都是好片。
今天讲的实例就是用Python爬取豆瓣Top250的电影信息（包含电影排名、电影名、评分、链接），仅用十行代码即可实现，内容简单易上手，小白看完也能学会。

整个流程分为爬取数据、解析数据两个部分，首先先看一下实验环境：

实验环境

• Windows 10
• Python 3.7.3
• 使用库：
• requests
• pyquery

爬取网页内容

1、确认我们需要爬取的内容

https://movie.douban.com/top250

2、获取请求头信息

按F12查看网页审查元素并刷新网页，找到连接请求头，复制浏览器信息（因为当前很多网站都有反爬机制，如果模拟连接时不带如Host、User-Agent等信息将会被拒绝连接，此站仅需User-Agent即可）

3、使用requests模拟连接并获取网页HTML

import requests
from pyquery import PyQuery as pq
url = 'https://movie.douban.com/top250'
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36'
}
response = requests.get(url, headers=header).text
print(response)

部分HTML内容如下：

解析网页内容

1、查看爬取到的HTML，确定需要解析的HTML数据内容

2、使用pyquery对获取的HTML进行解析

html = pq(response)
for item in html('.item').items():
num = item.find('.pic em').text()
title = item.find('.title').html()
link = item.find('.pic a').attr('href')
star = item.find('.rating_num').text()
print(num, title, star, link)

内容输出：

模拟翻页

到这里其实已经基本输出我们想要的内容了，但是细心的同学可能发现了，输出的内容只有25条，而不是我们想要的250条。这是因为我们只获取了第一页的内容，而查看网站发现网站总共是有10页的，我们还需实现模拟翻页才能实现效果。

我们对比一下第1、2、10页的url

https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=225&filter=

不难发现，每页的索引起始值都是25的整数倍，因为每页都仅展示25部电影信息，所以我们可以在url上做个循环，实现逐页爬取，代码如下：

for page in range(0,250,25):
url = 'https://movie.douban.com/top250?start={}'.format(page)
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36'
}
response = requests.get(url, headers=header).texthtml = pq(response)
for item in html('.item').items():
num = item.find('.pic em').text()
title = item.find('.title').html()
link = item.find('.pic a').attr('href')
star = item.find('.rating_num').text()
print(num, title, star, link)

结果输入：

浓缩代码

其实到这里就已经实现了所有功能了，但是毕竟标题是写的十行代码实现，不能做标题党，这逼还是得装完…
浓缩代码：

import requests
from pyquery import PyQuery as pq
for url in ['https://movie.douban.com/top250?start={}'.format(page) for page in range(0,250,25)]:
html = pq(requests.get(url, headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36'}).text)
for item in html('.item').items():
num = item.find('.pic em').text()
title = item.find('.title').html()
link = item.find('.pic a').attr('href')
star = item.find('.rating_num').text()
print(num, title, star, link)

不多不少，十行刚好~

以上是本期的所有内容，感谢您的阅读~
希望每个看完本文的您都能有所收获，如果您觉得本文不错，可以点一波关注或者关注一下我的公众号~
您的支持是我最大的动力！