Python爬豆瓣电影实例


Posted in Python onFebruary 23, 2018

文件结构

Python爬豆瓣电影实例

html_downloader.py - 下载网页html内容

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import urllib2

class HtmlDownloader(object):

  def downlod(self, url):
    if url is None:
      return None
    response = urllib2.urlopen(url)
    if response.getcode() != 200:
      return None
    return response.read()

html_outputer.py - 输出结果到文件中

#!/usr/bin/python
# -*- coding: UTF-8 -*-


class HtmlOutputer(object):

  def collect_data(self, movie_data):
    if movie_data is None:
      return
    fout = open('output.html', 'a+')
    for data in movie_data:
      print data['name'] + '|', data['rate'] + '|', data['actor'], '\n'
      fout.write('%s,' % data['name'].encode('utf-8'))
      fout.write('%s,' % data['rate'])
      fout.write('%s\n' % data['actor'].encode('utf-8'))
    fout.close()

html_parser.py: 解析器:解析html的dom树

#!/usr/bin/python
# -*- coding: UTF-8 -*-
from bs4 import BeautifulSoup


class HtmlParser(object):

  def __init__(self):
    pass

  def parser_html(self, cnt):
    if cnt is None:
      return
    soup = BeautifulSoup(cnt, 'html.parser', from_encoding='utf-8')
    # movie_name, movie_desc, movie_rate =
    return self.get_movie_names(soup)

  def get_movie_names(self, soup):
    movie_data = []
    movie_all = soup.find('div', class_='article').find_next('table').find_next_sibling('div').find_next_sibling('div').find_all('table')
    count = 1
    for movie_one in movie_all:
      movie_data.append(self.get_movie_name(movie_one))
      # if count > 2:
      #   break
      count += 1
    return movie_data

  def get_movie_name(self, cnt):
    info = {}
    soup = BeautifulSoup(str(cnt), 'html.parser', from_encoding='utf-8')
    movie_one = soup.find('tr', class_='item').find_next('td').find_next_sibling('td').find('div', class_='pl2')
    info['name'] = movie_one.find('a').get_text().replace("\n", "").replace(" ", "")
    info['actor'] = movie_one.find('p', class_='pl').get_text().replace("\n", "").replace(" ", "")
    info['rate'] = movie_one.find('div', class_='star clearfix').find('span', class_='rating_nums').get_text()
    return info

spider_main.py - 主函数

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import html_parser, html_outputer, html_downloader


class SpiderMain(object):

  def __init__(self):
    self.parser = html_parser.HtmlParser()
    self.outputer = html_outputer.HtmlOutputer()
    self.downloader = html_downloader.HtmlDownloader()

  def craw(self, url):
    html_cnt = self.downloader.downlod(url)
    movie_data = self.parser.parser_html(html_cnt)
    self.outputer.collect_data(movie_data)


if __name__ == '__main__':
  url = 'https://movie.douban.com/tag/2017?start=100&type=T'
  spider = SpiderMain()
  spider.craw(url)

综述

其实就是使用了urllib2和BeautifulSoup库,没啥好说的,你也可以直接改url,然后更改html_parser.py文件来满足你自己的爬虫需求。当前也可以更改html_outputer.py来定义保存格式,目前是csv。

Python 相关文章推荐
如何利用Fabric自动化你的任务
Oct 20 Python
Python错误提示:[Errno 24] Too many open files的分析与解决
Feb 16 Python
Python设计模式之命令模式简单示例
Jan 10 Python
简单了解python关系(比较)运算符
Jul 08 Python
python实现socket+threading处理多连接的方法
Jul 23 Python
python修改文件内容的3种方法详解
Nov 15 Python
python中使用you-get库批量在线下载bilibili视频的教程
Mar 10 Python
python库skimage给灰度图像染色的方法示例
Apr 27 Python
Django中的AutoField字段使用
May 18 Python
Python计算矩阵的和积的实例详解
Sep 10 Python
java关于string最常出现的面试题整理
Jan 18 Python
python 算法题——快乐数的多种解法
May 27 Python
Python抓取聚划算商品分析页面获取商品信息并以XML格式保存到本地
Feb 23 #Python
Python各类图像库的图片读写方式总结(推荐)
Feb 23 #Python
python自动发邮件库yagmail的示例代码
Feb 23 #Python
Python KMeans聚类问题分析
Feb 23 #Python
浅谈python爬虫使用Selenium模拟浏览器行为
Feb 23 #Python
python kmeans聚类简单介绍和实现代码
Feb 23 #Python
python MysqlDb模块安装及其使用详解
Feb 23 #Python
You might like
用session做客户验证时的注意事项
2006/10/09 PHP
thinkphp验证码显示不出来的解决方法
2014/03/29 PHP
PHP动态输出JavaScript代码实例
2015/02/12 PHP
php实现从上传文件创建缩略图的方法
2015/04/02 PHP
如何解决PHP使用mysql_query查询超大结果集超内存问题
2016/03/14 PHP
PHP cookie,session的使用与用户自动登录功能实现方法分析
2019/06/05 PHP
鼠标图片振动代码
2006/07/06 Javascript
JavaScript弹簧振子超简洁版 完全符合能量守恒,胡克定理
2009/10/25 Javascript
兼容IE与firefox火狐的回车事件(js与jquery)
2010/10/20 Javascript
JavaScript用构造函数如何获取变量的类型名
2016/12/23 Javascript
JavaScript轻松创建级联函数的方法示例
2017/02/10 Javascript
node koa2实现上传图片并且同步上传到七牛云存储
2017/07/31 Javascript
js数字滑动时钟的简单实现(示例讲解)
2017/08/14 Javascript
详解webpack之scss和postcss-loader的配置
2018/01/09 Javascript
详解Webpack-dev-server的proxy用法
2018/09/08 Javascript
layui下拉列表select实现可输入查找的方法
2019/09/28 Javascript
Vue js with语句原理及用法解析
2020/09/03 Javascript
[53:18]Spirit vs Liquid Supermajor小组赛A组 BO3 第三场 6.2
2018/06/03 DOTA
Python实现单词拼写检查
2015/04/25 Python
Python用UUID库生成唯一ID的方法示例
2016/12/15 Python
Python读取txt内容写入xls格式excel中的方法
2018/10/11 Python
pandas中read_csv的缺失值处理方式
2019/12/19 Python
解决python ThreadPoolExecutor 线程池中的异常捕获问题
2020/04/08 Python
Theflamel意大利:女士奢华服装、鞋子和配件
2020/01/11 全球购物
英国男女豪华配饰和礼品网站:Black.co.uk
2020/02/28 全球购物
文科教师毕业的自我评价
2014/01/16 职场文书
中专生自我鉴定范文
2014/02/02 职场文书
项目建议书模板
2014/05/12 职场文书
南京青奥会口号
2014/06/12 职场文书
施工单位安全责任书
2014/07/24 职场文书
房屋财产继承协议书范本
2014/11/03 职场文书
2014年档案室工作总结
2014/12/01 职场文书
《孙子兵法》:欲成大事者,需读懂这些致胜策略
2019/08/23 职场文书
php微信小程序解包过程实例详解
2021/03/31 PHP
OpenCV图像变换之傅里叶变换的一些应用
2021/07/26 Python
Redis如何实现分布式锁
2021/08/23 Redis