|
马上注册,结交更多好友,享用更多功能^_^
您需要 登录 才可以下载或查看,没有账号?立即注册
x
本帖最后由 payton24 于 2018-1-18 10:32 编辑
豆瓣Top250电影数据
网址: https://movie.douban.com/top250?start=0&filter=
1.测试网络响应状态
- import requests
- from bs4 import BeautifulSoup
- hds = {
- 'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
- 'Host':'movie.douban.com'
- }
- for i in range(10):
- r = requests.get('https://movie.douban.com/top250?start={}&filter='.format(i*25), headers=headers)
- print(i,r.status_code)
复制代码
2. 获取电影数据:电影名,英文电影名,港台电影名,导演,电影信息,评分
● 使用csv文件导出数据。输出为乱码,需要用记事本转成ANSI编码。
● 参考网上信息,Windows 的「ANSI」其实是 Windows code pages,此模式根据当前 locale 选定具体的编码,比如简中 locale 下是 GBK。
把自己这些 code page 称作「ANSI」是 Windows 的臭毛病。在 ASCII 范围内它们应该是和 ASCII 一致的。
● 还遗留了一些小问题,“ ”无法有效去除,所以在Excel显示时会出现?号。
- import csv
- movie_list =[]
- for i in range(10):
- r = requests.get('https://movie.douban.com/top250?start={}&filter='.format(i*25), headers=hds)
- print(i,r.status_code)
- soup = BeautifulSoup(r.text,"lxml")
- movie_content = soup.find_all('div',class_="info")
- for each in movie_content:
- movie_name = each.div.a.span.text
- movie_ename = each.div.a.contents[3].text.strip(' / ').replace(" ","")
- movie_htname = each.div.a.find('span', class_='other').text.strip(' / ').replace(" ","")
-
- moviebrief = each.find('div',class_='bd').p.text.strip().split('\n',maxsplit=1)
- director = moviebrief[0].replace(" ","")
- some = moviebrief[1].strip().replace(" ","") ##例如:1994 / 美国 / 犯罪 剧情
-
- rate = each.find('span',class_='rating_num').text
- movie_list =[movie_name,movie_ename,movie_htname,director,some,rate]
- with open('movietop250.csv','a+',encoding='UTF-8',newline="") as csvfile:
- w = csv.writer(csvfile)
- w.writerow(movie_list)
复制代码 |
|