摘要：行代碼實現爬取豆瓣電影排行榜代碼基于，用到的類庫有標題文字通過偽造請求頭或設置代理等方式獲取頁面內容，參考文檔對頁面進行解析，提取數據，參考文檔版本中用于操作數據庫，中則使用，安裝用到的幾個類庫分析豆瓣電影頁面頁面分析爬取數據之前，我們都需

48行代碼實現Python3爬取豆瓣電影排行榜
代碼基于python3，用到的類庫有:

requests:通過偽造請求頭或設置代理等方式獲取頁面內容，參考文檔
BeautifulSoup:對頁面進行解析，提取數據，參考文檔
PyMySQL:python3版本中用于操作MySQL數據庫，python2中則使用mysqldb，Github

pip安裝用到的幾個類庫:

pip install requests
pip install bs4
pip install pymysql
分析豆瓣電影頁面
頁面分析:
爬取數據之前，我們都需要對頁面進行分析，看我們可以從中提取到哪些數據，從下圖我們看到豆瓣電影top250的頁面結構，我們可以從中提取出排行榜(rank)、電影名字(name)、電影詳情頁鏈接(link)、電影海報(poster)、電影評分(score)、電影評論(quote)等，我在圖中進行了標注

URL分析:
通過點擊分頁我們可以發現URL的格式為:https://movie.douban.com/top2...
其中num表示25的倍數的數字，最小是0也就是第一頁，最大為225也就是最后一頁，這可以作為我們爬取頁面的限制條件，filter為過濾條件這里可不用管

代碼
引入類庫:

import pymysql
import requests
from bs4 import BeautifulSoup
定義爬取鏈接，%d用作數字占位:

baseUrl = "https://movie.douban.com/top250?start=%d&filter="
定義爬取數據方法:

def get_movies(start):

url = baseUrl % start   # 拼接爬取鏈接
lists = []              # 存儲此頁面的電影數據
html = requests.get(url)    # requests請求頁面內容，由于豆瓣沒有限制爬取，所以不用設置偽請求頭
soup = BeautifulSoup(html.content, "html.parser")   # BeautifulSoup解析頁面內容
items = soup.find("ol", "grid_view").find_all("li") # 獲取所有的電影內容
for i in items:
    movie = {}      # 臨時存取電影的數據
    movie["rank"] = i.find("em").text   # 電影排行榜
    movie["link"] = i.find("div","pic").find("a").get("href")   # 電影詳情頁鏈接
    movie["poster"] = i.find("div","pic").find("a").find("img").get("src")  # 電影海報地址
    movie["name"] = i.find("span", "title").text    # 電影名字
    movie["score"] = i.find("span", "rating_num").text  # 電影評分
    movie["quote"] = i.find("span", "inq").text if(i.find("span", "inq")) else "" # 某些電影沒有點評，沒有就設為空
    lists.append(movie) # 保存到返回數組中
return lists

連接數據庫并創建數據表:

db = pymysql.connect(host="localhost",user="root",password="root",db="test",charset="utf8mb4")
cursor = db.cursor() # 創建一個游標對象
cursor.execute("DROP TABLE IF EXISTS movies") # 如果表存在則刪除

createTab = """CREATE TABLE movies(

id INT NOT NULL AUTO_INCREMENT PRIMARY KEY,
name VARCHAR(20) NOT NULL,
rank VARCHAR(4) NOT NULL,
link VARCHAR(50) NOT NULL,
poster VARCHAR(100) NOT NULL,
score VARCHAR(4) NOT NULL,
quote VARCHAR(50)

)"""
cursor.execute(createTab) # 執行創建數據表操作
......
db.close() # 關閉數據庫
將提取到的數據存儲到數據表中:

lists = get_movies(start) # 獲取提取到數據

for i in lists:
    # 插入數據到數據庫sql語句，%s用作字符串占位
    sql = "INSERT INTO `movies`(`name`,`rank`,`link`,`poster`,`score`,`quote`) VALUES(%s,%s,%s,%s,%s,%s)"
    try:
        cursor.execute(sql, (i["name"], i["rank"], i["link"], i["poster"], i["score"], i["quote"]))
        db.commit()
        print(i[0]+" is success")
    except:
        db.rollback()
start += 25

完整代碼:

import pymysql
import requests
from bs4 import BeautifulSoup
baseUrl = "https://movie.douban.com/top250?start=%d&filter="
def get_movies(start):

url = baseUrl % start
lists = []
html = requests.get(url)
soup = BeautifulSoup(html.content, "html.parser")
items = soup.find("ol", "grid_view").find_all("li")
for i in items:
    movie = {}
    movie["rank"] = i.find("em").text
    movie["link"] = i.find("div","pic").find("a").get("href")
    movie["poster"] = i.find("div","pic").find("a").find("img").get("src")
    movie["name"] = i.find("span", "title").text
    movie["score"] = i.find("span", "rating_num").text
    movie["quote"] = i.find("span", "inq").text if(i.find("span", "inq")) else ""
    lists.append(movie)
return lists

if name == "__main__":

db = pymysql.connect(host="localhost",user="root",password="root",db="test",charset="utf8mb4")