利用Python爬取豆瓣电影，python爬豆瓣电影,目标:使用Pytho

利用Python爬取豆瓣电影，python爬豆瓣电影,目标:使用Pytho

目标:使用Python爬取豆瓣电影并保存MongoDB数据库中

我们先来看一下通过浏览器的方式来筛选某些特定的电影:

我们把URL来复制出来分析分析:

https://movie.douban.com/tag/#/?sort=T&range=0,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE

　　有3个字段是非常重要的:

　　　　1.sort=T

　　　　2.range=0,10

　　　　3.tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE

我们一个一个的分析:

　　1.sort,顾名思义:应该是一种排序方式,那我们就去浏览器上看看点击哪里去改变他的值!

　　　　===>通过这三张截图我们就知道了有3中排序方式,这个查询参数就搞定了!

　　　　　　　　热度排序:T,时间排序:R,评价排序:S

　　2.range=0,10;同样的原理,这表示一个范围,区间,那我们再到浏览器上看看,哪里可以设置区间?

　　　　===>range参数我们也搞定了,它就是表示评分区间!

　　　　　　默认评分区间是:0-10

　　3.tags:同样的原理,我们来分析这个参数!

　　　　在第一张截图中我们选中了:电影,爱情,美国,黑帮4个标签,但是在tags里面我们看到的不是这写汉字,而是被编码过的形式!

　　　　那我怎么知道这些看起来乱七八糟的东西

　　　　　　(%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD,%E9%BB%91%E5%B8%AE)

　　　　　　就是由这4些参数(电影,爱情,美国,黑帮)编码的呢?

　　　　我们可以到网上进行解码看看正不正确?

　　　　　　编码格式:

　　　　　　解码格式:

　　　　===>这样子我们也把tags参数解决了!

那么还有没有可以选择的参数呢?

　　细心的读者可能早就看到了,我们还有2个参数可以选择!

　　　　playbale=1:表示可播放

　　　　unwatched=1:表示还没看过的

至此,我们就已经把URL中的查询参数全都弄明白了!

但是,又有一个问题了,当我们在浏览器中点击"加载更多"按钮时,这个URL并没有发生变化,但是出来的电影信息却加载出来了!这是为什么?

　　如果知道AJAX加载技术的读者可能知道这个原理,实际上就是异步加载,服务器不需要刷新整个网页,只需要刷新局部网页就可以把数据展示到网页中,这样不仅可以加快速度,也可以提到效率!

那么知道这个原理后,我们就可以利用Chrome进行抓包了!!!

重点来了:

　　抓包结果:

看看浏览器地址栏的URL与Request URL有什么不一样的地方?

　　我们在浏览器地址栏中看到的URL是:

　　　　https://movie.douban.com/tag/#/?

　　　　　　sort=S&range=5,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD&playable=1&unwatched=1

　　实际浏览器发送的Request URL是:

　　　　https://movie.douban.com/j/new_search_subjects?

　　　　　　sort=S&range=5,10&tags=%E7%94%B5%E5%BD%B1,%E7%88%B1%E6%83%85,%E7%BE%8E%E5%9B%BD&playable=1&unwatched=1&start=0

　　除了被红色标记的地方不同之外,其他地方都是一样的!那我们发送请求的时候应该是用哪一个URL呢?

　　在上面我就已提到了,在豆瓣电影中,是采用异步加载的方式来加载数据的,也就是说在加载数据的过程中,地址栏中的URL是一直保持不变的,那我们还能用这个URL来发送请求吗?当然不能了!

既然不能用地址栏中的URL来发送请求,那我们就来分析一下浏览器实际发送的Request URL:

　　我们把这个URL复制到浏览器中看看会发生什么情况!

我们可以看到这个URL的响应结果恰恰就是我们想要的数据,而且根本不需要我们使用re,bs4,xpath等解析数据的工具来提取我们想要的数据,因为这种数据的格式刚好就是json格式,在Python中,我们可以利用一些工具把它转换成字典格式,来提取我们想要的数据.

距离我们成功还有一小步:

　　在这个URL中,我们看到还有一个参数:start,这个是干嘛的呢?

　　这个数值是一个偏移量,来控制每一次加载的偏移位置是在哪里!比如我们把它设置成20,那么得到的结果如下:

到这里,该案例的思路,难点就已经全都捋清楚了,剩下的就是代码的事情了!＼(＞０＜)／　加油

项目结构:

完整的代码如下:

settings.py

 1 import random 2  3  4 User_Agent =[ 5     ‘Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50‘, 6     ‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50‘, 7     ‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0‘, 8     ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1‘, 9     ‘Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11‘,10     ‘Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11‘,11     ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11‘,12 ]13 14 # 设置UA15 headers = {‘User-Agent‘: random.choice(User_Agent)}

mongoHelper.py

 1 import pymongo 2  3  4 class MongoHelper: 5     """数据库操作""" 6  7     def __init__(self, collection_name=None): 8         # 启动mongo 9         self._client = pymongo.MongoClient(‘localhost‘, 27017)10         # 使用test数据库11         self._test = self._client[‘test‘]12         # 创建指定的集合13         self._name = self._test[collection_name]14 15     def insert_item(self, item):16         """插入数据"""17         #print(‘正在插入数据....‘)18         self._name.insert_one(item)19 20     def find_item(self):21         """查询数据"""22         data = self._name.find()23         return data24 25 26 def main():27     mongo = MongoHelper(‘collection‘)28     mongo.insert_item({‘a‘: 1})29 30 31 if __name__ == ‘__main__‘:32     main()

douban.py

  1 """  2 爬取豆瓣电影的一些信息并保存到MongoDB数据库中  3 """  4   5 import requests  6 from settings import headers  7 import string  8 from urllib import parse  9 from mongoHelper import MongoHelper 10 import time 11 from collections import deque 12  13  14 class DouBanMovieSpider: 15  16     def __init__(self): 17         self.session = requests.Session() 18         self.headers = headers 19         self.db = MongoHelper(‘DouBanMovies‘) 20  21     def split_condition(self): 22         """ 23         功能:与用户交互,指导用户输入筛选条件, 24         :return:返回已经去除了无效字符的查询参数 25         """ 26  27         print(‘以下这些tag你都可以不用输入,直接按Enter键,表示默认!‘) 28         from_tag = input(‘请输入你想看的影视形式(电影|电视剧|综艺...):‘) 29         type_tag = input(‘请输入你想看的影视类型(剧情|爱情|喜剧|科幻...):‘) 30         area_tag = input(‘请输入你想看的影视地区(大陆|美国|香港...):‘) 31         style_tag = input(‘请输入你想看的影视特色(经典|冷门佳片|黑帮...):‘) 32  33  34         range = input(‘请输入评分范围[0-10]:‘) 35         # 如果用户没有输入,那么默认就是:0,10 36         if not range: 37             range = 0,10 38         # 如果输入的小写的字符,那么就把它变成大写的 39         sort = input(‘请输入排序顺序(热度:T, 时间:R, 评价:S),三选一:‘).upper() 40         # 按照默认排序顺序(热度) 41         if not sort: 42             sort = ‘T‘ 43         playable = input(‘请选择是否可播放(不输入表示不可播放):‘) 44         # 如果用户如何任意字符,那么表示只查询可以播放的影视 45         if not playable: 46             playable = ‘1‘ 47         unwatched = input(‘请选择是否为我没看过(不输入表示我没看过):‘) 48         # 如果用户输入任意字符,就表示我已经看过了 49         if not unwatched: 50             unwatched = ‘‘ 51         query_param = { 52             ‘sort‘:sort, 53             ‘range‘:range, 54             ‘tags‘:[from_tag, type_tag, area_tag, style_tag], 55             ‘playable‘:playable, 56             ‘unwatched‘:unwatched, 57         } 58         # string.printable:表示ASCII字符就不用编码了 59         query_url = parse.urlencode(query_param,safe=string.printable) 60         # 去除查询参数中无效的字符 61         invalid_chars = [‘(‘, ‘)‘, ‘[‘, ‘]‘, ‘+‘, ‘\‘‘] 62         for char in invalid_chars: 63             if char in query_url: 64                 query_url = query_url.replace(char, ‘‘) 65         # 把干净的查询参数返回出去 66         return query_url 67  68     def download_movies(self, url): 69         """ 70         功能:下载已过滤后的影视 71         :param url: 过滤后的影视地址 72         :return: 返回真正的影视地址 73         """ 74         if not url: 75             print(‘download_movies() error: url是None‘) 76             return 77  78         resp = self.session.get(url, headers=self.headers) 79         if resp.status_code == 200: 80             print(‘download_movies():下载成功!‘) 81             # 获取响应文件中的电影数据 82             movies = dict(resp.json()).get(‘data‘) 83             if  movies: 84                 return True, movies 85             # 响应结果中没有电影了! 86             else: 87                 print(‘download_movies() error!已经没有请求到电影数据了!!‘) 88         else: 89             print(‘download_movies() error! status_code:{}, url:{}‘ 90                   .format(resp.status_code, resp.url)) 91  92         return False, None 93  94  95     def save_movies(self, movies, id): 96         """ 97         功能:把请求到的电影保存到数据库中 98         :param data: 电影集合 99         :return:100         """101         if not movies:102             print(‘save_movies() error: moives为None!!!‘)103             return104 105         print(‘save_movies():正在保存电影到数据库中...‘)106        107         # 初始时,数据库中还没有数据,就直接插入就好了!108         if id == 0:109             for movie in movies:110                 id += 1111                 movie[‘_id‘] = id112                 self.db.insert_item(movie)113         else:114             # 当数据库中有数据时我才进行查询操作115             all_movies = self.find_movies()116             # 用来保存已经存在数据库中的电影的title117             titles = []118             for existed_movie in all_movies:119                 # 把已经在数据库中的电影的title提取出来120                 titles.append(existed_movie.get(‘title‘))121 122             for movie in movies:123                 # 通过标题来判断带插入的数据是否已存在数据库中124                 if movie.get(‘title‘) not in titles:125                     id += 1126                     movie[‘_id‘] = id127                     self.db.insert_item(movie)128                 else:129                     print(‘save_movies():该电影"{}"已经在数据库了!!!‘.format(movie.get(‘title‘)))130 131     def find_movies(self):132         """133         功能:查询数据库中所有的电影数目134         :return: 返回所有的电影数目135         """136         all_movies = deque()137         data = self.db.find_item()138         for item in data:139             all_movies.append(item)140         return all_movies141 142 def main():143     base_url = ‘https://movie.douban.com/j/new_search_subjects?‘144     douban = DouBanMovieSpider()145     query_param = douban.split_condition()146     start = 0147     # 把id设为数据库中最后一个,避免冲突148     id = len(douban.find_movies()) #149     while True :150         full_url = base_url + query_param + ‘&start={}‘.format(str(start))151         # print(‘full_url:‘,full_url)152         enable, movies= douban.download_movies(full_url)153         # 当HTTP响应返回电影数据,那么把他们保存到数据库中154         if enable:155             douban.save_movies(movies,id)156         else:157             print(‘main():所有电影都已保存成功!共保存了{}条电影信息!!!!‘.format(start))158             print(‘main():数据库中有{}部电影信息!!‘.format(len(douban.find_movies())))159             return160         # 睡眠2s,让访问起来更加人性化161         time.sleep(2)162         # 设置每次获取电影的数据都是以20为偏移量163         start += 20164         # id是用来设置数据库中的每条数据的‘_id‘字段,增长步长必须与start一致165         id += 20166 167 if __name__ == ‘__main__‘:168     main()

小结:在本次案例中,主要的难点有:查询参数的组合那部分和了解异步加载的原理从而找到真正的URL!查询参数的设置主要用到urlencode()方法,当我们不要把ASCII字符编码的时候,我们要设置safe参数为string.printable,这样只要把一些非ASCII字符编码就好了,同样quote()也是用来编码的,也有safe参数;那么本例中为什么要使用urlencode()方法呢?主要是通过观察URL是key=value的形式,所以才选用它!当我们把数据插入到数据库中时,如果是有相同的名字的电影,我们就不插入,这样也是处于对性能的考虑,合理利用资源!

利用Python爬取豆瓣电影