Python3.5：爬取网站上电影数据

Posted 2020-10-02

首先我们导入几个pyhton3的库:

from urllib import request
import urllib
from html.parser import HTMLParser

在Python2和Python3之间一个重要区别就是，在Python2有urllib,urllib2两个库，在Python3整合到一起，里面的函数方式也有一点变，先定义一个函数，将header,url,request，都打包成一个函数方便调用，且看下面代码：

def print_movies(url):
    # 伪装成浏览器访问网站，但其实没啥用，很容易被中间件检测出来，但没有又不行，所以蛮写吧
    header = {
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36‘}
    # Python3的urllib
    req = urllib.request.Request(url, headers=header)
    s = urllib.request.urlopen(req)
    parser = MovieParser()
    parser.feed((s.read()).decode(‘utf-8‘))
    s.close()

再重载HTMLParser库的handle_starttag(self, tag, attrs),系统就会默认调用用户重载的，具体调用方式在官方文档里面详细介绍：HTMLParser,

class MovieParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.movies = []
        # 重载HTMLParser自带的函数
    def handle_starttag(self, tag, attrs):
        def _attr(attrlist, attrname):
            for attr in attrlist:
                if attr[0] == attrname:
                    return attr[1]
            return None
        # 可以在这class后面找到每个li标签的特征属性比如catrgory在下面判断
        if tag == ‘li‘ and _attr(attrs, ‘data-title‘):
            movie= {}
            movie[‘title‘] = _attr(attrs, ‘data-title‘)
            movie[‘rate‘] = _attr(attrs, ‘data-rate‘)
            movie[‘director‘] = _attr(attrs, ‘data-director‘)
            movie[‘actors‘] = _attr(attrs, ‘data-actors‘)
            self.movies.append(movie)
            print(‘%(title)s|%(rate)s|%(director)s|%(actors)s‘ % movie)

当我们执行到parser.feed((s.read()).decode(‘utf-8‘))时，知道为什么要这样写，首先parser时HTMLParser的子类所以包括feed()，在注入数据时，s.read()是返回bytes类型，但feed()只接受str类型，所以直接在后面加个decode(‘utf-8‘)即转码(三个bytes转换为一个中文),又可以转换为str，基本获取数据就这么简单，要是想获取别的网站的数据，可以换个url和条件判断就可以了，我把全部代码贴上来：

from urllib import request
import urllib
from html.parser import HTMLParser

class MovieParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.movies = []
        # 重载HTMLParser自带的函数
    def handle_starttag(self, tag, attrs):
        def _attr(attrlist, attrname):
            for attr in attrlist:
                if attr[0] == attrname:
                    return attr[1]
            return None
        # 可以在这class后面找到每个li标签的特征属性比如catrgory在下面判断
        if tag == ‘li‘ and _attr(attrs, ‘data-title‘):
            movie= {}
            movie[‘title‘] = _attr(attrs, ‘data-title‘)
            movie[‘rate‘] = _attr(attrs, ‘data-rate‘)
            movie[‘director‘] = _attr(attrs, ‘data-director‘)
            movie[‘actors‘] = _attr(attrs, ‘data-actors‘)
            self.movies.append(movie)
            print(‘%(title)s|%(rate)s|%(director)s|%(actors)s‘ % movie)

def print_movies(url):
    # 伪装成浏览器访问网站，但其实没啥用，很容易被中间件检测出来，但没有又不行，所以蛮写吧
    header = {
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36‘}
    # Python3的urllib
    req = urllib.request.Request(url, headers=header)
    s = urllib.request.urlopen(req)
    parser = MovieParser()
    parser.feed((s.read()).decode(‘utf-8‘))
    s.close()


if __name__ == ‘__main__‘:
    url = ‘https://movie.douban.com/‘
    # 返回一个电影列表
    print_movies(url)

运行结果为：