Python 从零开始爬虫(三)——实战：requests+BeautifulSoup实现静态爬取

前篇全片都是生硬的理论使用，今天就放个静态爬取的实例让大家体验一下BeautifulSoup的使用，了解一些背后的原理。

顺便在这引入静态网页的概念——静态网页是指一次性加载所有内容的网页，爬虫一次请求便能得到所有信息，对爬虫非常友好，适合练手

豆瓣top250电影信息爬取

这是一个老掉牙的经典实例了，但越是经典，越有示范性作用，最重要的一点是，它是静态的。
给出网站：https://movie.douban.com/top250
打开F12/右键检查第一个电影，分析源码先，发现每个<li>标签就对应着一个电影的信息。

我们来爬取每部电影的图片，名称，导演演员，类型，评分，和它的一句话总结，继续对<li>标签进行分析,又发现信息又在<div class="info">标签里，而这标签只存在于<li>标签中，其它地方不存在，这样可以用find_all()方法把他们全部分离出来。这里不选择<li>标签是它没有唯一性，电影以外的内容也有<li>标签。

布置好伪装后就可一开始根据每个<div class="info">标签进行信息筛选了:

• 图片链接是<div class="info">的上上个兄弟标签<div class="pic">的孙子<img>的src属性的值
• 电影名有多个，都在<div class="hd">标签里，用get_text()把它们串起来
• 导演演员是<p class>标签的第一段字符串
• 类型是<p class>标签的第二段字符串
• 评分和评分人数都在<div class="star">标签里，又用get_text()串起来
• 一句话总结直属于<span class="inq">标签
• html中的&NBSP（实际上是小写，这里大写避免markdown识别）对应字符串中的\xa0,可用replace方法替换掉

url = 'https://movie.douban.com/top250'
headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
r=requests.get(url,headers=headers)
soup = BeautifulSoup(r.text,'lxml')

for each in soup.find_all('div',class_='info'):
    img_url = each.previous_sibling.previous_sibling.a.img['src']#图片链接
    
    '''with open('*.jpg','wb') as img:#还可以顺便下载回来，名字自起
    img.write(requests.get(img_url,headers=headers).content)'''
    
    
    title=each.find('div',class_='hd').get_text(strip=True).replace('\xa0','')#标题
    actor = list(each.find('p',class_='').strings)[0].strip().replace('\xa0','')#导演演员
    type_ = list(each.find('p',class_='').strings)[1].strip().replace('\xa0','')#类型
    score = each.find('div',class_='star').get_text('/',strip=True)#评分及人数
    quote = each.find('span',class_='inq').string#一句话总结
    print([img_url,title,actor,type_,score,quote])#这里只简单打出来看下，怎样存储由你来决定

  但是这样只有25部电影啊，是的，'https://movie.douban.com/top250'指向第一页，我们现在只爬了一页，其实还有9页还没爬啊，这是就要构造网址了。

  我们点到第二页，发现网址变成了https://movie.douban.com/top2...，第三页start条件值变成50，我们可以得出结论，每下一页，start条件值就加25。第一页start=0，第二页start=25.....第十页start=225。这样就可以循环构造网页并爬取了，这交给读者实现
  下面笔者提供另一种思路：网页不是有下一页的按钮吗，右键检查一下，发现它已经包含了要构造的部分了，是一个属性值，提取出来接到原网址上即得到下一页的网址，这样能完全爬取所有页数，不用像上面一样设置循环次数。

贴上完整代码

import requests
from bs4 import BeautifulSoup


url = 'https://movie.douban.com/top250'
with open('douban.txt','w',encoding='utf-8') as f:
    while url :
        headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}

        r=requests.get(url,headers=headers)
        soup = BeautifulSoup(r.text,'lxml')

        for each in soup.find_all('div',class_='info'):
            img_url = each.previous_sibling.previous_sibling.a.img['src']
            title=each.find('div',class_='hd').get_text(strip=True).replace('\xa0','')
            actor = list(each.find('p',class_='').strings)[0].strip().replace('\xa0','')
            #将生成器list化后索引，strip()去除两边空格再用空字符替换&nbsp
            type_ = list(each.find('p',class_='').strings)[1].strip().replace('\xa0','')
            score = each.find('div',class_='star').get_text('/',strip=True)
            if each.find('span',class_='inq'):#注意有部电影没有总结，也就没有<span class="inq">标签这里用if检测一下防止None使用string方法报错
                quote = each.find('span', class_='inq').string
            else:
                quote = '没有总结哦'
            print([img_url,title,actor,type_,score,quote])

            try:#到最后一页时没有下一页按钮，会报TypeError，这时用try语句让url=None使while循环停止
                url = 'https://movie.douban.com/top250' + soup.find('span',class_='next').a['href']
            except TypeError:
                url = None

本实例的筛选方法已经讲的很细致了，几乎提及了BeautifulSoup的所有方法，希望大家能通过此实例能加深对BeautifulSoup的理解，然后自己手打一些爬虫出来，小的十几行多的几十行都可以，爬贴吧什么的都可以。

还是那句话“只看不实践的程序员不是好程序员”

下一篇应该会将正则表达式，更加强大也更加难的信息匹配方法
下下篇了解一下动态爬取?