利用Python爬取豆瓣电影

目标:使用Python爬取豆瓣电影并保存MongoDB数据库中

我们先来看一下通过浏览器的方式来筛选某些特定的电影:

　　

我们把URL来复制出来分析分析:

https://movie.douban.com/tag/#/?sort=T&range=0,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE

有3个字段是非常重要的:

　　1.sort=T

　　2.range=0,10

　　3.tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE

具体分析方法如下:

　　1.sort:表示排序方式,可以看到它有3中排序方式

　　　　　　　　　　

　　根据上图可以直到每个字母表示的含义:

　　　　T:热度排序,

　　　　R:时间排序,

　　　　S:评价排序:

　　2.range=0,10;表示一个范围,具体是什么范围呢?

　　　　

　　range参数我们也搞定了,它就是表示评分区间!

　　　　默认评分区间是:0-10

　　3.tags:同样的原理,这是一个标签

　　　　我们选中的标签有:电影,爱情,美国,黑帮4个标签,但是在tags里面我们看到的不是这写汉字,而是被编码过的形式!

　　　　%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE)

　　　　那如何知道这些字符是表示什么呢?　　　　

　　我们可以到网上进行解码看看正不正确?

　　　　

　　　　

　　4.那么还有没有可以选择的参数呢?

　　我们还有2个参数可以选择!

　　　　playbale=1:表示可播放

　　　　unwatched=1:表示还没看过的

　　　　

至此,我们就已经把URL中的查询参数全都弄明白了!

但是,又有一个问题了,当我们在浏览器中点击"加载更多"按钮时,这个地址栏中的URL并没有发生变化,但是电影信息可以加载出来了!这是为什么?

　　如果知道AJAX加载技术的读者可能知道这个原理,实际上就是异步加载,服务器不需要刷新整个网页,只需要刷新局部网页就可以把数据展示到网页中,这样不仅可以加快速度,也可以减少服务器的压力.

重点来了:

　　抓包结果:

　　　　

看看浏览器地址栏的URL与Request URL有什么不一样的地方?

　　我们在浏览器地址栏中看到的URL是:

　　　　https://movie.douban.com/tag/#/?

　　　　　　sort=S&range=5,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD&playable=1&unwatched=1

　　实际浏览器发送的Request URL是:

　　　　https://movie.douban.com/j/new_search_subjects?

　　　　　　sort=S&range=5,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD&playable=1&unwatched=1&start=0

　　除了被红色标记的地方不同之外,其他地方都是一样的!那我们发送请求的时候应该是用哪一个URL呢?

　　在上面我就已提到了,在豆瓣电影中,是采用异步加载的方式来加载数据的,也就是说在加载数据的过程中,地址栏中的URL是一直保持不变的,那我们还能用这个URL来发送请求吗?当然不能了!

既然不能用地址栏中的URL来发送请求,那我们就来分析一下浏览器实际发送的Request URL:

　　我们把这个URL复制到浏览器中看看会发生什么情况!

　　

我们可以看到这个URL的响应结果恰恰就是我们想要的数据,采用json格式.在Python中,我们可以利用一些工具把它转换成字典格式,来提取我们想要的数据.

距离我们成功还有一小步:

　　在这个URL中,我们看到还有一个参数:start,这个是干嘛的呢?

　　这个数值表示偏移量,来控制每一次加载的偏移位置是在哪里!比如我们把它设置成20,表示一次请求的电影数量.那么得到的结果如下:

　　

到这里,该案例的思路,难点就已经全都捋清楚了,剩下的就是代码的事情了!

项目结构:

　　

完整的代码如下:

settings.py

 User_Agents =[
     'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
     'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
     'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
     'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
     'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
     'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
     'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
 ]

mongoHelper.py

 import pymongo

 class MongoDBHelper:
     """数据库操作"""

     def __init__(self, collection_name=None):
         # 启动mongo
         self._client = pymongo.MongoClient('localhost', 27017)
         # 使用test数据库
         self._test = self._client['test']
         # 创建指定的集合
         self._name = self._test[collection_name]

     def insert_item(self, item):
         """插入数据"""
         self._name.insert_one(item)

     def find_item(self):
         """查询数据"""
         data = self._name.find()
         return data

 def main():
     mongo = MongoDBHelper('collection')
     mongo.insert_item({'a': 1})

 if __name__ == '__main__':
     main()

douban.py

 import logging
 import random
 import string
 import requests
 import time
 from collections import deque
 from urllib import parse

 from settings import User_Agents
 from MongDBHelper import MongoDBHelper

 class DoubanSpider(object):
     """豆瓣爬虫"""
     def __init__(self):
         # 基本的URL
         self.base_url = 'https://movie.douban.com/j/new_search_subjects?'
         self.full_url = self.base_url + '{query_params}'
         # 从User-Agents中选择一个User-Agent
         self.headers = {'User-Agent': random.choice(User_Agents)}
         # 影视形式(电影, 电视剧,综艺)
         self.form_tag = None  # 类型
         self.type_tag = None  # 地区
         self.countries_tag = None  # 特色
         self.genres_tag = None
         self.sort = 'T'  # 排序方式,默认是T,表示热度
         self.range = 0, 10  # 评分范围
         self.playable = ''
         self.unwatched = ''
         # 连接数据库,集合名为douban_movies
         self.db = MongoDBHelper('douban_movies')

     def get_query_parameter(self):
         """获取用户输入信息"""
         # 获取tags参数
         self.form_tag = input('请输入你想看的影视形式(电影|电视剧|综艺...):')
         self.type_tag = input('请输入你想看的影视类型(剧情|爱情|喜剧|科幻...):')
         self.countries_tag = input('请输入你想看的影视地区(大陆|美国|香港...):')
         self.genres_tag = input('请输入你想看的影视特色(经典|冷门佳片|黑帮...):')

     def get_default_query_parameter(self):
         """获取默认的查询参数"""
         # 获取 sort, range, playable, unwatched参数
         self.range = input('请输入评分范围[0-10]:')
         self.sort = input('请输入排序顺序(热度:T, 时间:R, 评价:S),三选一:').upper()
         self.playable = input('请选择是否可播放(默认不可播放):')
         self.unwatched = input('请选择是否为我没看过(默认是没看过):')

     def encode_query_data(self):
         """对输入信息进行编码处理"""
         if not (self.form_tag and self.type_tag and self.countries_tag and self.genres_tag):
             all_tags = ''
         else:
             all_tags = [self.form_tag, self.type_tag, self.countries_tag, self.genres_tag]
         query_param = {
             'sort': self.sort,
             'range': self.range,
             'tags': all_tags,
             'playable': self.playable,
             'unwatched': self.unwatched,
         }

         # string.printable:表示ASCII字符就不用编码了
         query_params = parse.urlencode(query_param, safe=string.printable)
         # 去除查询参数中无效的字符
         invalid_chars = ['(', ')', '[', ']', '+', '\'']
         for char in invalid_chars:
             if char in query_params:
                 query_params = query_params.replace(char, '')
         # 把查询参数和base_url组合起来形成完整的url
         self.full_url = self.full_url.format(query_params=query_params) + '&start={start}'

     def download_movies(self, offset):
         """下载电影信息
         :param offset: 控制一次请求的影视数量
         :return resp:请求得到的响应体"""
         full_url = self.full_url.format(start=offset)
         resp = None
         try:
             resp = requests.get(full_url, headers=self.headers)
         except Exception as e:
             # print(resp)
             logging.error(e)
         return resp

     def get_movies(self, resp):
         """获取电影信息
         :param resp: 响应体
         :return movies:爬取到的电影信息"""
         if resp:
             if resp.status_code == 200:
                 # 获取响应文件中的电影数据
                 movies = dict(resp.json()).get('data')
                 if movies:
                     # 获取到电影了,
                     print(movies)
                     return movies
                 else:
                     # 响应结果中没有电影了!
                     # print('已超出范围!')
                     return None
         else:
             # 没有获取到电影信息
             return None

     def save_movies(self, movies, id):
         """把请求到的电影保存到数据库中
         :param movies:提取到的电影信息
         :param id: 记录每部电影
         """
         if not movies:
             print('save_movies() error: movies为None!!!')
             return

         all_movies = self.find_movies()
         if len(all_movies) == 0:
             # 数据库中还没有数据,
             for movie in movies:
                 id += 1
                 movie['_id'] = id
                 self.db.insert_item(movie)
         else:
             # 保存已经存在数据库中的电影标题
             titles = []
             for existed_movie in all_movies:
                 # 获取数据库中的电影标题
                 titles.append(existed_movie.get('title'))

             for movie in movies:
                 # 判断数据库中是否已经存在该电影了
                 if movie.get('title') not in titles:
                     id += 1
                     movie['_id'] = id
                     # 如果不存在,那就进行插入操作
                     self.db.insert_item(movie)
                 else:
                     print('save_movies():该电影"{}"已经在数据库了!!!'.format(movie.get('title')))

     def find_movies(self):
         """查询数据库中所有的电影数目
         :return: 返回数据库中所有的电影
         """
         all_movies = deque()
         data = self.db.find_item()
         for item in data:
             all_movies.append(item)
         return all_movies

 def main():
     """豆瓣电影爬虫程序入口"""
     # 1. 初始化工作,设置请求头等
     spider = DoubanSpider()
     # 2. 与用户交互,获取用户输入的信息
     spider.get_query_parameter()
     ret = input('是否需要设置排序方式,评分范围...(Y/N):')
     if ret.lower() == 'y':
         spider.get_default_query_parameter()
     # 3. 对信息进行编码处理,组合成有效的URL
     spider.encode_query_data()
     id = offset = 0
     while True:
         # 4. 下载影视信息
         reps = spider.download_movies(offset)
         # 5.提取下载的信息
         movies = spider.get_movies(reps)
         # 6. 保存数据到MongoDB数据库
         # spider.save_movies(movies, id)
         offset += 20
         id = offset
         # 控制访问速速
         time.sleep(5)

 if __name__ == '__main__':
     main()

小结:在本次案例中,主要的难点有:查询参数的组合那部分和了解异步加载的原理从而找到真正的URL!查询参数的设置主要用到urlencode()方法,当我们不要把ASCII字符编码的时候,我们要设置safe参数为string.printable,这样只要把一些非ASCII字符编码就好了,同样quote()也是用来编码的,也有safe参数;那么本例中为什么要使用urlencode()方法呢?主要是通过观察URL是key=value的形式,所以才选用它!当我们把数据插入到数据库中时,如果是有相同的名字的电影,我们就不插入,这样也是处于对性能的考虑,合理利用资源!