爬取豆瓣电影Top 250的海报图片以及相关信息

该项目大致分为以下步骤：

使用 requests库获取页面
使用 lxml库和 XPath 解析页面
爬取电影海报图片
使用 pandas库将电影的相关信息存储为csv文件
添加循环，保存所有图片以及相关信息

首先，我们构建一个框架来获取豆瓣电影的HTML页面：

import requests

# 获取HTML页面
def get_html(url):
    headers = {'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36"}

    try:
        html = requests.get(url, headers=headers)
        html.encoding = html.apparent_encoding
        if html.status_code == 200:
            print("获取HTML页面成功！")
    except Exception as e:
        print("获取HTML页面失败，原因是：%s" % e)
            
    return html.text

if __name__ == '__main__':

	url = "https://movie.douban.com/top250"
	
	html = get_html(url)

接下来，我们分析一下豆瓣电影的网页：

使用开发者工具(F12)，经过分析，可以发现每一页的电影信息都是这些li标签：

我们用 XPath Helper 获取这些li标签：

在刚才获取的li标签下继续分析电影相关信息：

首先是电影名字：

接下来是导演主演信息：

然后是年份、国家和电影类型：

接下来是电影评分：

然后是评价人数：

接下来是简介：

（这里发现Top 247的那部电影没有简介，所以后面需要处理一下）

最后是电影海报图片：

分析完页面之后，我们写一下解析页面的函数：

from lxml import etree # 解析HTML页面

# 解析HTML页面
def parse_html(html):

    movies = [] # 存储电影的相关信息
    imgurls = [] # 存储电影海报图片
    
    html = etree.HTML(html)
    lis = html.xpath("//ol[@class='grid_view']/li") # XPath返回列表对象

    # 提取每一部电影的相关信息
    for li in lis:
        # 下面的XPath路径前面都要加上. 表示从li这个节点开始
        name = li.xpath(".//a/span[@class='title'][1]/text()")[0] # 获取到的列表第0个元素才是电影名字
        director_actor = li.xpath(".//div[@class='bd']/p/text()[1]")[0].replace(' ','').replace('\n','').replace('/','').replace('\xa0', '') # 去除字符串中的多余字符
        info = li.xpath(".//div[@class='bd']/p/text()[2]")[0].replace(' ','').replace('\n','').replace('\xa0', '') # 去除字符串中的多余字符
        rating_score = li.xpath(".//span[@class='rating_num']/text()")[0]
        rating_num = li.xpath(".//div[@class='star']/span[4]/text()")[0]
        introduce = li.xpath(".//p[@class='quote']/span/text()")
            
        # 把提取的相关信息存入movie字典，顺便处理Top 247那部电影没有introduce的情况
        if introduce:
            movie = {'name': name, 'director_actor': director_actor, 'info': info, 'rating_score': rating_score,
                     'rating_num': rating_num, 'introduce': introduce[0]}
        else:
            movie = {'name': name, 'director_actor': director_actor, 'info': info, 'rating_score': rating_score,
                     'rating_num': rating_num, 'introduce': None}
                
        movies.append(movie)
        
        imgurl = li.xpath(".//img/@src")[0] # 提取图片URL	
        imgurls.append(imgurl)
            
    return movies, imgurls

if __name__ == '__main__':

    url = 'https://movie.douban.com/top250'

    html = get_html(url)
    movies = parse_html(html)[0]
    imgurls = parse_html(html)[1]

测试时发现 director_actor 和 info 有 \xa0不间断空白符：

用.replace(’\xa0’, ‘’)语句去除。

接下来编写保存电影海报图片的函数：

import os

# 保存海报图片
def download_img(url, movie):
    
    if 'movieposter' in os.listdir(r'S:\大一寒假学习'):
        pass
    else:
        os.mkdir('movieposter')
            
    os.chdir(r'S:\大一寒假学习\movieposter')
    img = requests.get(url).content # 返回的是bytes型也就是二进制的数据
    
    with open(movie['name'] + '.jpg', 'wb') as f:
        f.write(img)

最后添加循环，爬取所有电影的海报图片以及相关信息：

每一页有25部电影，一共十页：

每一页的URL通过以下方式决定：

import pandas as pd

if __name__ == '__main__':
    
    MOVIES = []
    IMGURLS = []
            
    for i in range(10):
        url = "https://movie.douban.com/top250?start=" + str(i*25) + "&filter="
        html = get_html(url)
        movies = parse_html(html)[0]
        imgurls = parse_html(html)[1]

        MOVIES.extend(movies)
        IMGURLS.extend(imgurls)

    for i in range(250):
        download_img(IMGURLS[i], MOVIES[i])
        print("正在下载第" + str(i+1) + "张图片……")

    os.chdir(r'S:\大一寒假学习') # 记得把路径换回来

    moviedata = pd.DataFrame(MOVIES) # 把电影相关信息转换为DataFrame数据格式
    moviedata.to_csv('movie.csv')
    print("电影相关信息存储成功！")