Forward团队-爬虫豆瓣top250项目-项目总结

Posted 2020-10-16

托管平台地址:https://github.com/xyhcq/top250

小组名称:Forward团队

组长：马壮

成员：李志宇、刘子轩、年光宇、邢云淇、张良

我们这次团队项目内容是爬取豆瓣电影TOP250的电影信息，为什么我们选这个项目作为团队项目呢？因为在这个大数据时代，我们总有一些信息需要收集保存，而手动收集信息会很麻烦，所以选了爬取豆瓣TOP250，其实，项目爬取什么网站、内容并不重要，因为我们在这次团队项目中学会了爬虫的工作原理，以后我们想爬取别的网站那都不是事了。

这次团队项目中，我们都有了很大的收获，无论是组员中基础好的还是基础弱的，都是有收获的，可喜可贺！在团队项目中，我们遇到了很多大问题，对于我们来说，很多是可能导致我们项目失败的致命问题，好在经过组员们的不懈努力，刻苦学习，查资料解决了。

程序的开发过程，我们就不提了，在之前的作业里，我们组都有详细的分析，都很详细，下面总结一些我们遇到的问题以及解决办法，这是我们团队项目中收获的最有价值的内容。

 在开发之初，我们选择了BeautifulSoup模块，需要在python里安装上这个模块，然而，单单给python安装模块就困扰了我们很久，网上有说用pip install命令安装的，可是当我们尝试时候发现，pip不好使，问了老师，老师说python自带pip的，于是我们在网上各种找资料，终于找到了解决方法：我们安装的python2.7.5里不自带pip，安装了新版本的python（我们试了2.7.11），终于成功解决了pip命令不好使，成功安装上了模块（这个问题浪费了我们好几天）

安完模块，由于我们都是做爬虫零基础的菜鸟，所以我们又在网上找教程学习了一番。

我们学习时候用到的参考资料：

Python爬虫利器二之Beautiful Soup的用法

Python中使用Beautiful Soup库的超详细教程

Python 爬虫学习系列教程

参考教程，练习BeautifulSoup实例

于是我们第一版程序出炉

# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import re
import time
import sys

def gethtmlText(url,k):
    # 获取网页源代码
    try:
        if(k==0):
            kw={}
        else:
            kw={‘start‘:k,‘filter‘:‘‘}
        # 保存获取的网页
        read = requests.get(url,params=kw,headers={‘User-Agent‘: ‘Mozilla/4.0‘})
        read.raise_for_status()
        read.encoding = read.apparent_encoding
        return read.text
    except:
        print("获取失败!")

def getData(html):
    # 分析代码信息，提取数据
    soup = BeautifulSoup(html, "html.parser")

    # 找到第一个class属性值为grid_view的ol标签
    movieList=soup.find(‘ol‘,attrs={‘class‘:‘grid_view‘})

    # 找到所有的li标签
    for movieLi in movieList.find_all(‘li‘):    
        # 找到第一个class属性值为hd的div标签
        movieHd=movieLi.find(‘div‘,attrs={‘class‘:‘hd‘})
        # 找到第一个class属性值为title的span标签

        # 获取电影名字
        movieName=movieHd.find(‘span‘,attrs={‘class‘:‘title‘}).getText()
        print movieName

        # 获取电影链接
        movieUrl=movieHd.find(‘a class="" href="‘)
        print movieUrl


        # 获取电影导演/演员
        movieBd = movieLi.find(‘div‘, attrs={‘class‘: ‘bd‘})
        movieSF=movieBd.find(‘p‘,attrs={‘class‘:‘‘}).getText()
        print movieSF


        # 获取电影的评分
        movieScore=movieLi.find(‘span‘,attrs={‘class‘:‘rating_num‘}).getText()
        print movieScore

        #获取电影的评论数
        movieEval=movieLi.find(‘div‘,attrs={‘class‘:‘star‘})
        movieEvalNum=re.findall(r‘\\d+‘,str(movieEval))[-1]
        print movieEvalNum

        # 获取电影短评
        movieQuote = movieLi.find(‘span‘, attrs={‘class‘: ‘inq‘})
        # 有的电影没有短评，为防止报错，加次
        if(movieQuote):
            print movieQuote.getText()
        else:
            print (‘没有短评！‘)



        #print ‘=================================================================‘
        
# 本次抓取的网址
basicUrl=‘https://movie.douban.com/top250‘
k=0
i=1


print ‘===============================魔法开始===============================‘

while k<=225:
    html=getHTMLText(basicUrl,k)
    #time.sleep(2)
    k+=25
    getData(html)
    print ‘-------第‘+str(i)+‘轮完成!-------‘
    i+=1

print ‘完成！‘

 已经能实现基本功能了

随后，我们开始添加一些新功能，不过随着功能的增多，bug也随之而来：

一开始，我们添加了将爬取结果写入到文件的功能，不过我们发现写入不全，后来发现漏了一句代码：

# 关闭文件，否则容易写入不全    
f.close()

加上这句话后，程序就正常了，这次问题提示我们：python写入完文件，一定要关闭文件！

 在后来我们测试的时候，发现程序在cmd中运行会乱吗：

 

参考了网上的资料，我们解决了问题

在Windows环境CMD中显示乱码的解决方法

 将程序中都采用raw_input()的语句都改为：

raw_input(unicode(‘xxxxxxxxxx‘,‘utf-8‘).encode(‘gbk‘))

 程序就正常现实文本了

 在程序的各种功能实现后，我们想把程序连带运行库打包，因为程序是用python写的，一般人电脑里不会有这个运行环境，我们考虑了py2exe模块和pyinstaller模块，因为在网上找资料时，pyinstaller某些功能优于py2exe（最主要的是pyinstaller可以把程序的黑窗口隐藏）

参考了网上的教程：

Python | 用Pyinstaller打包发布exe应用

成功打包后，变成了带有运行库的单文件