零基础Python爬虫实现(爬取最新电影排行)

提示:本学习来自Ehco前辈的文章, 经过实现得出的笔记。

目标网站

http://dianying.2345.com/top/

网站结构

要爬的部分,在ul标签下(包括li标签), 大致来说迭代li标签的内容输出即可。

遇到的问题?

代码简单, 但遇到的问题很多。

一: 编码

这里统一使用gbk了。

二: 库

过程中缺少requests,bs4,idna,certifi,chardet,urllib3等库, 需要手动添加库, 我说一下我的方法

库的添加方法:

例如:urllib3

百度urllib3,通过链接下载到本地

我下载第一个

解压把urllib3文件夹扔进python安装目录的Lib目录下即可

三: 下载图片链接

这个就有意思了, 之前我是这样写的

f.write(requests.get(img_url).content)

报错

File "C:UsersShinelonAppDataLocalProgramsPythonPython36lib
equestsmodels.py", line 379, in prepare_url
    raise MissingSchema(error)
requests.exceptions.MissingSchema: Invalid URL '//imgwx5.2345.com/dypcimg/img/c/65/sup196183_223x310.jpg': No schema supplied. Perhaps you meant http:////imgwx5.2345.com/dypcimg/img/c/65/sup196183_223x310.jpg?

Process finished with exit code 1

图片是这样的,也无法进行迭代输出下载

没办法,后来自己自动给链接加上http:

img_url2 = 'http:' + img_url
            f.write(requests.get(img_url2).content)
            print(img_url2)
            f.close()

 然后就正常了。

附上代码

import requests
import bs4

def get_html(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status
        r.encoding = 'gbk'
        return r.text
    except:
        return "someting wrong"

def get_content(url):
    html = get_html(url)
    soup = bs4.BeautifulSoup(html, 'lxml')

    movieslist = soup.find('ul', class_='picList clearfix')
    movies = movieslist.find_all('li')

    for top in movies:
        #爬取图片src
        img_url = top.find('img')['src']
        #爬取影片name
        name = top.find('span', class_='sTit').a.text
        try:
            #爬取影片上映时间
            time = top.find('span', class_='sIntro').text
        except:
            time = "暂无上映时间"
        #爬取电影角色主演
        actors = top.find('p', class_='pActor')
        actor = ''
        for act in actors.contents:
            actor = actor + act.string + ' '
        #爬取电影简介
        intro = top.find('p', class_='pTxt pIntroShow').text
        print("片名：{}	{}
{}
{} 
 
 ".format(name, time, actor,intro))
        #下载图片到指定目录
        with open('/Users/Shinelon/Desktop/1212/'+name+'.png','wb+') as f:
            img_url2 = 'http:' + img_url
            f.write(requests.get(img_url2).content)
            print(img_url2)
            f.close()

def main():
    url = 'http://dianying.2345.com/top/'
    get_content(url)

if __name__ == "__main__":
    main()

结果