首页 > 其他 > 详细

requests库爬取豆瓣热门国产电视剧数据并保存到本地

时间:2019-06-29 19:13:33      阅读:108      评论:0      收藏:0      [点我收藏+]

首先要做的就是去豆瓣网找对应的接口,这里就不赘述了,谷歌浏览器抓包即可,然后要做的就是分析返回的json数据的结构:

https://movie.douban.com/j/search_subjects?type=tv&tag=%E5%9B%BD%E4%BA%A7%E5%89%A7&sort=recommend&page_limit=20&page_start=0

这是接口地址,可以大概的分析一下各个参数的规则:

  • type=tv,表示的是电视剧的分类
  • tag=国产剧,表示是国产剧的分类
  • sort参数,这里猜测是一个排序方式
  • page_limit=20,这个一定就是每页所存取的数据数量了
  • page_start=0,表示的是这页从哪条数据开始,比如第二页就为page_start=20,第三页为page_start=40,以此类推
  • 最终我们要用到的主要是page_start和page_limit两个参数

下面这里是返回的json数据格式,可以看出我们要的是json中subjects列表中的每条数据,在之后的程序中会把每一个电视剧的信息保存到文件里的一行

技术分享图片

 

有了这些,就直接上程序了,因为感觉程序还是比较好懂,主要还是遵从面向对象的程序设计:

 1 import json
 2 import requests
 3 
 4 
 5 class DoubanSpider(object):
 6     """爬取豆瓣热门国产电视剧的数据并保存到本地"""
 7 
 8     def __init__(self):
 9         # url_temp中的start的值是动态的,所以这里用{}替换,方便后面使用format方法
10         self.url_temp = https://movie.douban.com/j/search_subjects?type=tv&tag=%E5%9B%BD%E4%BA%A7%E5%89%A7&sort=recommend&page_limit=20&page_start={}
11         self.headers = {
12             User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36,
13         }
14 
15     def pass_url(self, url):  # 发送请求,获取响应
16         print(url)
17         response = requests.get(url, headers=self.headers)
18         return response.content.decode()
19 
20     def get_content_list(self, json_str):  # 提取数据
21         dict_ret = json.loads(json_str)
22         content_list = dict_ret[subjects]
23         return content_list
24 
25     def save_content_list(self, content_list):  # 保存
26         with open(douban.txt, a, encoding=utf-8) as f:
27             for content in content_list:
28                 f.write(json.dumps(content, ensure_ascii=False))  # 一部电视剧的信息一行
29                 f.write(\n)  # 写入换行符进行换行
30         print(保存成功!)
31 
32 
33     def run(self):  # 实现主要逻辑
34         num = 0
35         while True:
36             # 1. start_url
37             url = self.url_temp.format(num)
38             # 2. 发送请求,获取响应
39             json_str = self.pass_url(url)
40             # 3. 提取数据
41             content_list = self.get_content_list(json_str)
42             # 4. 保存
43             self.save_content_list(content_list)
44             if len(content_list) < 20:
45                 break
46             # 5. 构造下一页url地址,进入循环
47             num += 20  # 每一页有二十条数据
48 
49 
50 if __name__ == __main__:
51     douban_spider = DoubanSpider()
52     douban_spider.run()

上面是利用循环遍历每一页,后来我又想到用递归也可以,虽然递归效率可能不高,这里还是展示一下,只需要改几个地方而已:

 1 import json
 2 import requests
 3 
 4 
 5 class DoubanSpider(object):
 6     """爬取豆瓣热门国产电视剧的数据并保存到本地"""
 7     def __init__(self):
 8         # url_temp中的start的值是动态的,所以这里用{}替换,方便后面使用format方法
 9         self.url_temp = https://movie.douban.com/j/search_subjects?type=tv&tag=%E5%9B%BD%E4%BA%A7%E5%89%A7&sort=recommend&page_limit=20&page_start={}
10         self.headers = {
11             User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36,
12         }
13         self.num = 0
14 
15     def pass_url(self, url):  # 发送请求,获取响应
16         print(url)
17         response = requests.get(url, headers=self.headers)
18         return response.content.decode()
19 
20     def get_content_list(self, json_str):  # 提取数据
21         dict_ret = json.loads(json_str)
22         content_list = dict_ret[subjects]
23         return content_list
24 
25     def save_content_list(self, content_list):  # 保存
26         with open(douban2.txt, a, encoding=utf-8) as f:
27             for content in content_list:
28                 f.write(json.dumps(content, ensure_ascii=False))  # 一部电视剧的信息一行
29                 f.write(\n)  # 写入换行符进行换行
30         print(保存成功!)
31 
32 
33     def run(self):  # 实现主要逻辑
34         # 1. start_url
35         url = self.url_temp.format(self.num)
36         # 2. 发送请求,获取响应
37         json_str = self.pass_url(url)
38         # 3. 提取数据
39         content_list = self.get_content_list(json_str)
40         # 4. 保存
41         self.save_content_list(content_list)
42         # 5. 构造下一页url地址,进入循环
43         if len(content_list) == 20:
44             self.num += 20  # 每一页有二十条数据
45             self.run()
46 
47 
48 if __name__ == __main__:
49     douban_spider = DoubanSpider()
50     douban_spider.run()

最终文件得到的结果:

技术分享图片

 

requests库爬取豆瓣热门国产电视剧数据并保存到本地

原文:https://www.cnblogs.com/springionic/p/11107530.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!