Python3爬取电影信息：调用API

Posted 2020-08-16

实验室这段时间要采集电影的信息，给出了一个很大的数据集，数据集包含了4000多个电影名，需要我写一个爬虫来爬取电影名对应的电影信息。

 

其实在实际运作中，根本就不需要爬虫，只需要一点简单的Python基础就可以了。

 

前置需求：

Python3语法基础

HTTP网络基础

 

===================================

第一步，确定API的提供方。IMDb是最大的电影数据库，与其相对的，有一个OMDb的网站提供了API供使用。这家网站的API非常友好，易于使用。

http://www.omdbapi.com/

第二步，确定网址的格式。

第三步，了解基本的Requests库的使用方法。

http://cn.python-requests.org/zh_CN/latest/

 

为什么我要使用Requests，不使用urllib.request呢？

因为Python的这个库容易出各种各样的奇葩问题，我已经受够了……

 

第四步，编写Python代码。

我想做的是，逐行读取文件，然后用该行的电影名去获取电影信息。因为源文件较大，readlines()不能完全读取所有电影名，所以我们逐行读取。

 1 import requests
 2 
 3 for line in open("movies.txt"):
 4     s=line.split(‘%20\\n‘)
 5     urll=‘http://www.omdbapi.com/?t=‘+s[0]
 7     result=requests.get(urll)
 8     if result:
 9         json=result.text
10         print(json)
11         p=open(‘result0.json‘,‘a‘)
12         p.write(json)
13         p.write(‘\\n‘)
14         p.close()

我预先把电影名文件全部格式化了一遍，将所有的空格替换成了"%20"，便于使用API（否则会报错）。这个功能可以用Visual Studio Code完成。

 

注意，编码的时候选择GBK编码，不然会出现下面错误：

1 UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xff in position 0: illegal multibyte sequence

 

第五步，做优化和异常处理。

主要做三件事，第一件事，控制API速度，防止被服务器屏蔽；

第二件事，获取API key（甚至使用多个key）

第三件事：异常处理。

 1 import requests 3 
 4 key=[‘’]
 5 
 6 for line in open("movies.txt"):
 7     try:
 8         #……
 9     except TimeoutError:
10         continue
11     except UnicodeEncodeError:
12         continue
13     except ConnectionError:
14         continue

 

下面贴出完整代码：

 1 # -*- coding: utf-8 -*-
 2 
 3 import requests
 4 import time
 5 
 6 key=[‘xxxxx‘,‘yyyyy‘,zzzzz‘,‘aaaaa‘,‘bbbbb‘]
 7 i=0
 8 
 9 for line in open("movies.txt"):
10     try:
11         i=(i+1)%5
12         s=line.split(‘%20\\n‘)
13         urll=‘http://www.omdbapi.com/?t=‘+s[0]+‘&apikey=‘+key[i]
14         result=requests.get(urll)
15         if result:
16             json=result.text
17             print(json)
18             p=open(‘result0.json‘,‘a‘)
19             p.write(json)
20             p.write(‘\\n‘)
21             p.close()
22             time.sleep(1)
23     except TimeoutError:
24         continue
25     except UnicodeEncodeError:
26         continue
27     except ConnectionError:
28         continue

接下来喝杯茶，看看自己的程序跑得怎么样吧！