python爬取豆瓣网所有电影的信息,包括电影名字、电影类型、上映年份、导演、评分、评论人数,建立反爬机制,并保存到csv文件中

时间: 2023-12-25 09:02:57 浏览: 28
好的,这是一个比较复杂的问题,需要分几个步骤来完成。 首先,我们需要安装一些必要的库,比如requests、beautifulsoup4等。可以使用以下命令来安装它们: ``` pip install requests pip install beautifulsoup4 ``` 接下来,我们需要写一个函数来获取豆瓣电影的页面内容。由于豆瓣有反爬机制,我们需要设置一些请求头信息来模拟浏览器的行为,让豆瓣服务器认为我们是一个正常的用户。 以下是获取页面内容的代码: ```python import requests def get_html(url): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3' } response = requests.get(url, headers=headers) if response.status_code == 200: return response.text else: return None ``` 接下来,我们需要解析页面内容,获取电影的信息。我们可以使用beautifulsoup4来解析HTML页面,提取出电影的名称、类型、上映年份、导演、评分和评论人数。以下是解析页面内容的代码: ```python from bs4 import BeautifulSoup def parse_html(html): soup = BeautifulSoup(html, 'html.parser') movies = soup.find_all('div', class_='info') for movie in movies: name = movie.find('span', class_='title').get_text() genres = movie.find('span', class_='genre').get_text().strip() year = movie.find('span', class_='year').get_text() directors = [director.get_text() for director in movie.find_all('span', class_='director')] rating = movie.find('span', class_='rating_num').get_text() comments = movie.find('span', class_='comment-num').get_text() yield { 'name': name, 'genres': genres, 'year': year, 'directors': directors, 'rating': rating, 'comments': comments } ``` 最后,我们需要将获取到的电影信息保存到CSV文件中。可以使用csv库来实现。以下是保存到CSV文件的代码: ```python import csv def save_to_csv(movies): with open('movies.csv', 'w', encoding='utf-8', newline='') as csvfile: fieldnames = ['name', 'genres', 'year', 'directors', 'rating', 'comments'] writer = csv.DictWriter(csvfile, fieldnames=fieldnames) writer.writeheader() for movie in movies: writer.writerow(movie) ``` 最后,我们可以将以上代码组合起来,完成整个程序: ```python import requests from bs4 import BeautifulSoup import csv import time def get_html(url): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3' } response = requests.get(url, headers=headers) if response.status_code == 200: return response.text else: return None def parse_html(html): soup = BeautifulSoup(html, 'html.parser') movies = soup.find_all('div', class_='info') for movie in movies: name = movie.find('span', class_='title').get_text() genres = movie.find('span', class_='genre').get_text().strip() year = movie.find('span', class_='year').get_text() directors = [director.get_text() for director in movie.find_all('span', class_='director')] rating = movie.find('span', class_='rating_num').get_text() comments = movie.find('span', class_='comment-num').get_text() yield { 'name': name, 'genres': genres, 'year': year, 'directors': directors, 'rating': rating, 'comments': comments } def save_to_csv(movies): with open('movies.csv', 'w', encoding='utf-8', newline='') as csvfile: fieldnames = ['name', 'genres', 'year', 'directors', 'rating', 'comments'] writer = csv.DictWriter(csvfile, fieldnames=fieldnames) writer.writeheader() for movie in movies: writer.writerow(movie) if __name__ == '__main__': urls = ['https://movie.douban.com/top250?start={}'.format(i * 25) for i in range(10)] for url in urls: html = get_html(url) movies = parse_html(html) save_to_csv(movies) time.sleep(1) ``` 以上代码将豆瓣电影Top250的信息保存到了movies.csv文件中。注意,为了避免被豆瓣反爬机制封锁IP,我们在每个页面请求之间增加了1秒的等待时间。

相关推荐

最新推荐

recommend-type

python 爬取豆瓣电影评论,并进行词云展示

# -*-coding:utf-8-*- import urllib.request from bs4 import BeautifulSoup def getHtml(url): """获取url页面""" headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, ...
recommend-type

【Python】豆瓣电影TOP250数据规律分析(Pearson相关系数、折线图、条形图、直方图)

1、数据集预览 原创文章 113获赞 137访问量 7万+ 关注 私信 展开阅读全文 作者:Vivid-victory
recommend-type

python 爬取马蜂窝景点翻页文字评论的实现

主要介绍了python 爬取马蜂窝景点翻页文字评论的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
recommend-type

Python爬虫爬取电影票房数据及图表展示操作示例

主要介绍了Python爬虫爬取电影票房数据及图表展示操作,结合实例形式分析了Python爬虫爬取、解析电影票房数据并进行图表展示操作相关实现技巧,需要的朋友可以参考下
recommend-type

Python爬取破解无线网络wifi密码过程解析

主要介绍了Python爬取破解无线网络密码过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

解答下列问题:S—>S;T|T;T—>a 构造任意项目集规范族,构造LR(0)分析表,并分析a;a

对于这个文法,我们可以构造以下项目集规范族: I0: S -> .S S -> .T T -> .a I1: S -> S. [$ T -> T. [$ I2: S -> T. I3: S -> S.;S S -> S.;T T -> T.;a 其中,点(.)表示已经被扫描过的符号,;$表示输入串的结束符号。 根据项目集规范族,我们可以构造出LR(0)分析表: 状态 | a | $ ---- | - | - I0 | s3| I1 | |acc I2 | | 其中s3表示移进到状态3,acc表示接受。在分析字符串a;a时,我们可以按照以下步骤进行
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。