Python-爬虫实战 简单爬取豆瓣top250电影保存到本地

爬虫原理

1. 发送数据
2. 获取数据
3. 解析数据
4. 保存数据

requests请求库

res = requests.get(url="目标网站地址")

获取二进制流方法：res.content

获取文本方法：res.text

re正则模块

re.findall("匹配规则","获取到的数据","匹配模式")

re.findall('<div class="item">.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?<span class="rating_num" property="v:average">(.*?)</span>.*?<span>(.*?)人评价</span>', response.text, re.S)

贪婪匹配：.*? 过滤任何内容

非贪婪匹配：(.*?) 提供内容

with open() 保存数据

with open():  # wt(write + txt)  wb (write + bytes)

爬虫精髓

1. 分析网站的通信流程

2. 分析查找数据从何而来

3. 分析目标网站的反爬策略

4. 根据目标网站的反爬策略编写攻击手段，获取数据

json格式化

json是一种第三方的数据格式

python中可以使用方法将json转换为可读取的数据类型

json.jumps()	#将python数据格式转换为json格式
json.loads()	#将json格式转换为python数据格式

爬取豆瓣电影排行榜top250

#导入requests库
import requests
import json

#分析豆瓣网站每页数据的url，利用for循环将每页进行 解析数据操作
num = 0
for i in range(10):
    url = f"https://movie.douban.com/j/chart/top_list?type=24&interval_id=100%3A90&action=&start={num}&limit=20"
    num += 20

    #获取数据并将获取到的json数据转换为python格式数据类型
    w = requests.get(url=url)
    w = json.loads(w.text)

    #利用json转换完成后为列表类型，可在上面用print(type())查看类型,利用for循环将列表的每个元素读取，进行索引取值。
    for line in w:

        move_name = line["title"]
        move_grade = line["rating"][0]
        move_url = line["url"]
        move_type = line["types"]
        move_rank = line["rank"]

        move_list = f'''
        电影名字：{move_name}
        电影分数：{move_grade}
        电影链接：{move_url}
        电影类型：{move_type}
        电影排行：{move_rank}
              '''
        #保存数据
        with open("douban2.txt","a",encoding="utf8") as f:
            f.write(move_list + "\n")