python 爬虫获取豆瓣电影排行榜前250并写入excel

豆瓣电影排行榜前250 分为10页，第一页的url为https://movie.douban.com/top250,但实际上应该是https://movie.douban.com/top250?start=0 后面的参数0表示从第几个开始，如0表示从第一（肖申克的救赎）到第二十五（触不可及），https://movie.douban.com/top250?start=25表示从第二十六（蝙蝠侠：黑暗骑士）到第五十名（死亡诗社）。等等，

所以可以用一个步长为25的range的for循环参数

for i in range(0, 250, 25):
    print(i)

分析完页面组成后，开始获取页面，直接request.get()发现没有返回任何东西，输出一下响应码

url = 'https://movie.douban.com/top250?start=0'
res = request.get(url=url)
print(res.status_code)

发现返回响应码418

 以前没见过这个，拉网线上网查一下，发现给get里面加一个header参数就行了

这里可以用自己浏览器的user-agent，如 

headers = {'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'}

或者用fake_agent(安装直接用pip install fake_agent) 来为自己生成一个随机的agent添加到header字典中

from fake_useragent import UserAgent
headers = {'User-Agent': UserAgent().random}

之后就可以得到页面源码了。

然后使用lxml.etree，即xpath解析页面源码。用浏览器插件xpath finder快速定位到元素

import requests
import lxml.etree as etree
url = 'https://movie.douban.com/top250?start=0'
headers = {'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'}
res = requests.get(url=url, headers=headers)
print(res.text)

html = etree.HTML(res.text)
name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]")
print(name)

但是直接这样子，解析到的是这样的结果

[<Element span at 0x20b2f0cc488>]

 关于这东西是什么，有文章写的很好：https://www.jb51.net/article/132145.htm

这里我直接写解决部分，在使用xpath解析时，后面加上/text()

name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()")

解决后，再使用xpath finder插件，一步一步获取到电影所有数据

最后把这个写在函数里，外面再套上一开始说的循环，就OK了

  # -*- coding: utf-8 -*-

import requests
import lxml.etree as etree


def get_source(page):
    url = 'https://movie.douban.com/top250?start={}'.format(page)
    headers = {
        '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'}
    print(url)
    res = requests.get(url=url, headers=headers)
    print(res.status_code)
    html = etree.HTML(res.text)
    for i in range(1, 26):
        name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[1]/a/span[1]/text()".format(i))
        info = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[1]/text()".format(i))
        score = html.xpath(
            "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/div/span[2]/text()".format(i))
        slogan = html.xpath(
            "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[2]/span/text()".format(i))
        print(name[0])
        print(info[0].replace(' ', ''))
        print(info[1].replace(' ', ''))
        print(score[0])
        print(slogan[0])


n = 1
for i in range(0, 250, 25):
    print('第%d页' % n)
    n += 1
    get_source(i)
    print('==========================================')

在定位时，发现有4部电影介绍没有slogan，导致获取到的信息为空列表，也就导致了list.append()会出错。所以我加上了几个差错处理，解决方式可能有点傻，如果有更好的解决办法，洗耳恭听

代码在最后可以看到

 EXCEL保存部分

这里我用的xlwt

book = xlwt.Workbook()
sheet = book.add_sheet(u'sheetname', cell_overwrite_ok=True)

创建一个sheet表单。

数据保存到一个大列表中，列表嵌套列表

再通过循环把数据导入到excel表单中

 r = 1
    for i in LIST:  #有10页
        for j in i:   #有25条数据
            c = 2
            for x in j:       #有5组数据
                print(x)
                sheet.write(r, c, x)
                c += 1
            r += 1

最后在保存一下

 book.save(r'douban.xls')

注意文件后缀要用xls，用xlsx会导致文件打不开

然后就大功告成了

打开文件，手动加入排名，等部分信息（这些也可以在程序里完成，我嫌麻烦，就没写，直接手动来的快）

 前面的✓是我自己整的，用于记录那些看过，那些没看过

这也是我写这个东西的最初的目的

完整代码在下面，仅用于参考

# -*- coding: utf-8 -*-

import requests
import lxml.etree as etree
import xlwt

def get_source(page):
    List = []
    url = 'https://movie.douban.com/top250?start={}'.format(page)
    headers = {
        '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'}
    print(url)
    res = requests.get(url=url, headers=headers)
    print(res.status_code)
    html = etree.HTML(res.text)
    for i in range(1, 26):
        list = []
        name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[1]/a/span[1]/text()".format(i))
        info = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[1]/text()".format(i))
        score = html.xpath(
            "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/div/span[2]/text()".format(i))
        slogan = html.xpath(
            "/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[2]/span/text()".format(i))
        try:
            list.append(name[0])
        except:
            list.append('----')
        try:
            list.append(info[0].replace(' ', '').replace('
', ''))
        except:
            list.append('----')
        try:
            list.append(info[1].replace(' ', '').replace('
', ''))
        except:
            list.append('----')
        try:
            list.append(score[0])
        except:
            list.append('----')
        try:
            list.append(slogan[0])
        except:
            list.append('----')

        List.append(list)

    return List


n = 1
LIST = []
for i in range(0, 250, 25):
    print('第{}页'.format(n))
    n += 1
    List = get_source(i)
    LIST.append(List)


def excel_write(LIST):
    book = xlwt.Workbook()
    sheet = book.add_sheet(u'sheetname', cell_overwrite_ok=True)
    r = 1
    for i in LIST:  #有10页
        for j in i:   #有25条数据
            c = 2
            for x in j:       #有5组数据
                print(x)
                sheet.write(r, c, x)
                c += 1
            r += 1

    book.save(r'douban1.xls')   #保存代码

excel_write(LIST)