task1 - 爬取豆瓣Top250电影名

豆瓣Top250电影名怎么爬

参考博文：https://www.cnblogs.com/leon507/p/7614345.html

怎么实现

因为没有系统学习过，所以只能做搬运工。看了几篇有关爬取豆瓣Top250的电影信息，这篇是最简单易懂的了，所以摘过来学习学习。但这个博主的代码只是爬了电影名，然后也没有将爬到的数据保存到本地，那我就在他的基础上加了几行代码，将数据保存到本地了。

首先爬虫三部曲？
第一，requests爬取网页的HTML信息
第二，解析HTML。解析有很多种方法>_<
第三，保存本地

翻页信息
第一页：https://movie.douban.com/top250?start=0&filter=
第二页：https://movie.douban.com/top250?start=25&filter=
第三页：https://movie.douban.com/top250?start=50&filter=
第十页：https://movie.douban.com/top250?start=225&filter=

所以翻页规律就是 25*i （i+1）表示第几页

在网页源代码中定位需要爬取的信息

代码如下

加了一点自己的解释>_<

import requests
from bs4 import BeautifulSoup
def get_movies(): #定义一个函数来爬取数据
    headers = {
        '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'
    }
    movie_list = []     #定义一个空列表，放电影名                                                  #定义序列
    for i in range(0, 10):#遍历页数，0表示第一页
        url = 'https://movie.douban.com/top250?start=' + str(i * 25)     #通过循环，下载第二页，第三页
        r = requests.get(url, headers=headers, timeout=10)  #爬虫第一步，requests发送请求，爬取HTML信息             #timeout=10，响应时长
        print(str(i + 1), "页响应状态码:", r.status_code)                   #显示状态码，返回200，请求成功

        soup = BeautifulSoup(r.text, "lxml")  #爬虫第二步，解析数据
        div_list = soup.find_all('div', class_='hd')                     #如下图显示，电影名字在div标签之后
        for each in div_list:
            movie = each.a.span.text.strip()                              #span后的文本
            movie_list.append(movie)                                      #append(movie)，在movie_list中添加movie序列
    return movie_list 
movies = get_movies() 

print(movies)
import pandas as pd
df = pd.DataFrame(movies)
#df.to_csv('doubanTop250Movies_name.csv') 不知道为啥这个文件打开后乱码 
df.to_excel('doubanTop250Movies_name.xlsx')

结果如下

总的来说就是 要查看要爬取的信息在网页源代码中是如何显示的，再根据规律写爬取的代码>_<