豆瓣电影top250爬虫系列(一)--- 模拟登陆+爬取电影信息

github源码下载

  • 首先声明一点,由于豆瓣的api有访问次数限制,应该是一分钟内只允许40次请求,所以需要设置延时。
  • 超出限制后,豆瓣会反爬虫,继续请求ip检测会出现异常,所以需要模拟登陆。
  • 我这里模拟登录信息用的是最简单的,我们在网页登录后获取cookies信息,以保持登录状态:
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
cookies = {'cookie': 'bid=lYQOsRcej_8; __guid=236236167.1056829666077886000.1525765977089.4163; __yadk_uid=oTZbiJ2I8VYoUXCoZzHcWoBroPcym2QB; gr_user_id=24156fa6-1963-48f2-8b87-6a021d165bde; viewed="26708119_24294210_24375031"; ps=y; __utmt=1; _vwo_uuid_v2=DE96132378BF4399896F28BD0E9CFC4FD|8f3c433c345d866ad9849be60f1fb2a0; ue="2287093698@qq.com"; _pk_ref.100001.8cb4=%5B%22%22%2C%22%22%2C1527272795%2C%22https%3A%2F%2Faccounts.douban.com%2Fsafety%2Funlock_sms%2Fresetpassword%3Fconfirmation%3Dbf9474e931a2fa9a%26alias%3D%22%5D; _ga=GA1.2.262335411.1525765981; _gid=GA1.2.856273377.1527272802; dbcl2="62325063:TQjdVXw2PtM"; ck=csZ5; monitor_count=11; _pk_id.100001.8cb4=7b30f754efe8428f.1525765980.15.1527272803.1527269181.; _pk_ses.100001.8cb4=*; push_noty_num=0; push_doumail_num=0; __utma=30149280.262335411.1525765981.1527266658.1527269182.62; __utmb=30149280.9.10.1527269182; __utmc=30149280; __utmz=30149280.1527266658.61.22.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/login; __utmv=30149280.6232; ap=1; ll="108289"'}
#连接请求URL,请求的是登录以后的页面
res = requests.get('https://movie.douban.com/top250?start='+ start, headers = headers, cookies = cookies)
#获取相应文本,也就是对应html页面的文本信息
html = res.text
print(html)
  • 获取电影列表信息
def getMovieList(start):
    res = requests.get('https://movie.douban.com/top250?start='+ start, headers = headers, cookies = cookies)
    html = res.text

    # print(html)
    reg = r'<div class="item">.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?<p class="">(.*?)&nbsp.*?<br>.*?(.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)</p>'
    reg += r'.*?<div class="star">.*?property="v:average">(.*?)</span>.*?<span>(.*?)</span>'
    reg += r'.*?<span class="inq">(.*?)</span>'

    return re.findall(reg, html, re.S)
  • 在列表页获取到对应电影的url,然后进入具体电影页面,爬取相关信息。
def getMovieContent(url,movieId):
    res = requests.get(url, headers = headers, cookies = cookies)
    html = res.text

    # print(html)
    #匹配电影的所有演员信息
    reg = r'<span class="actor">(.*?)<br/>'
    actors = re.findall(reg, html)
   
    #存在电影获奖信息爬取,否则空串匹配
    if '<div class="hd">' in html:
        prize = '<div class="hd">(.*?)'
    else:
        prize = ''

    #存在别名则爬取,否则空串匹配
    if "又名:" in html:
        alias = '</span> (.*?)<br/>'
    else:
        alias = ''

    #爬取电影的海报链接、上映日期、时长、别名、摘要、短评链接等等
    reg = r'<a class="nbgnbg".*?<img src="(.*?)".*?'
    reg += r'.*?<span property="v:initialReleaseDate" content="(.*?)".*?<span property="v:runtime" content="(.*?)">.*?'+alias
    reg += r'.*?<span property="v:summary".*?>(.*?)</span>.*?'+ prize +'<div id="recommendations" class="">'
    reg += r'.*?<a class="comment_btn j a_collect_btn".*?<a href="(.*?)">'

    if prize != '':
        if alias != '':
            poster, time, movieLength, otherName, summary, award, commentLink = re.findall(reg, html, re.S)[0]
        else:
            poster, time, movieLength, summary, award, commentLink = re.findall(reg, html, re.S)[0]
            otherName = ""
        reg = r'<li>.*?<a href=".*?">(.*?)</a>.*?<li>(.*?)</li>'
        for awardName, awardType in re.findall(reg, award, re.S):
            cursor.execute("insert into award(movieId, name, type) values('{}', '{}', '{}')".format(
                movieId, (""+awardName).replace("'", r"\'"), (""+awardType).replace("'", r"\'")))
    else:
        resultList = re.findall(reg, html, re.S)
        if len(resultList) != 0:
            if alias != '':
                poster, time, movieLength, otherName, summary, commentLink =  resultList[0]
            else:
                poster, time, movieLength, summary, commentLink = resultList[0]
                otherName = ""
        else:
            return

    # print(poster, actors, time, movieLength, otherName, summary, award, commentLink)
    if len(otherName) != 0:
        updateSql = "update movie set poster='{}', time='{}', movieLength='{}',otherName='{}', summary='{}', commentLink='{}' where id = '{}'".format(
            poster, (""+time).strip("\n").strip(), movieLength, (""+otherName).replace("'", r"\'"),(""+summary).strip().replace("'", r"\'"),
            (""+commentLink).replace("'", r"\'"), movieId)
    else:
        updateSql = "update movie set poster='{}', time='{}', movieLength='{}', summary='{}', commentLink='{}' where id = '{}'".format(
            poster, ("" + time).strip("\n").strip(), movieLength,
            ("" + summary).strip().replace("'", r"\'"), ("" + commentLink).replace("'", r"\'"), movieId
        )
    #更新电影信息
    cursor.execute(updateSql)

    # print(award)
    #存储电影的所有演员信息,还有她的介绍页面URL
    reg = r'<a href="(.*?)" rel="v:starring">(.*?)</a>'
    for link, name in re.findall(reg, str(actors)):
        cursor.execute("insert into actor(movieId, link, name) values('{}', '{}', '{}')".format(
            movieId, (""+link).replace("'", r"\'"), (str(name))))
    #存储该电影短评论信息,以及评论人名称,评论日期
    for userName, time, commentContent in getComment(commentLink):
        cursor.execute("insert into comment(movieId, userName, content, time) values('{}', '{}', '{}', '{}')".format(
            movieId, (""+userName).replace("'", r"\'"), (""+commentContent).replace("'", r"\'"), (""+time).strip("\n").strip()))

    conn.commit()
  • 爬取短评论页面函数
def getComment(url):
    res = requests.get(""+url, headers = headers, cookies = cookies)
    html = res.text
    #三个参数:评论人、评论日期、评论内容
    reg = r'<span class="comment-info">.*?class="">(.*?)</a>.*?<span class="comment-time.*?>(.*?)</span>'
    reg += r'.*?<p class="">(.*?)</p>'

    return re.findall(reg, html, re.S)
  • 主函数
def startUpMovie():
    count = 0
    #一共250部,每页25部,分十次爬取
    for i in range(0,10):
        for link, title, director, age, country, type, score, evaluationNum, note in getMovieList(str(25*i)):
            print('正在存储----{}'.format(""+title))
            # print(link, title, director, age, country, type, score, evaluationNum, note)
            cursor.execute("insert into movie(link, title, director, age, country, type, score, evaluationNum, note)"
                           " values('{}', '{}','{}', '{}', '{}', '{}','{}', '{}', '{}')".format(
                            link, (""+title), (""+director[6:]).strip("导演: ").strip().replace("'", r"\'"), (""+age).strip("\n").strip(),
                             country, (""+type).strip("\n").strip().replace("'", r"\'"), score, evaluationNum[0:-3], note)
                           )


            getMovieContent(link, cursor.lastrowid)
            conn.commit()
            count += 1
            #每爬取两部电影,休眠7秒,以防止ip被禁!
            if count % 2 == 0:
                time.sleep(7)
            print("num:'{}'".format(count))

#启动爬虫函数
startUpMovie()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,271评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,275评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,151评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,550评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,553评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,559评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,924评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,580评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,826评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,578评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,661评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,363评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,940评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,926评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,156评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,872评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,391评论 2 342

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 171,387评论 25 707
  • 1.a attempt at:一个尝试 2.hallmark:特点 One hallmark of a good ...
    小雨纷飞沁人心阅读 356评论 0 0
  • 记得我上一年级的时候,我的肚子特别的疼。到了夜里,鸡狗安静不再叫的时候。我实在忍不住了,叫醒了正在提心吊胆的妈...
    吴志文童鞋阅读 294评论 0 0
  • 80天,英国绅士可以乘热气球环游世界; 100天,一座远大的独立大厦可以拔地而起; 180天,人生的150分之一,...
    葫芦哥Gourd阅读 636评论 8 5
  • 其实真的是想唱歌给你听的,可惜你把秘密删了
    栖惶阅读 118评论 0 0