爬虫实践---电影排行榜和图片批量下载

Posted 2020-09-30

1.目标网址：http://dianying.2345.com/top/

需要找到的信息：电影的名字，主演，简介，和标题图片

2.查看页面结构：

容易看到，需要的主题部分，都被包裹在‘<ul>“列表标签里，

那么简单的用bs4库找到 "<ul>" tag并迭代取出每一条“<li>”tag,

最后再从每个<li>标签里找到需要的信息即可。

3.图片下载：

在电影排行榜爬虫当中，有一项目标是：爬取每个电影的标题图，

那么如何以文本的形式爬下来呢?

在计算机的世界里，一切的数据归根到底都是以“0”和“1”的二进制形式存在的。

图片自然也不例外，任何一张图片，都是以“字节流 ”的形式，

通过了一定的编码方式，被计算机排列组合，从而显示成我们肉眼所看到的图片。

那么只要把图片数据从网上下载下来，然后再以二进制的格式写入到本地即可。

给出一个图片下载的通用代码片段：

 import requests
    
    def get_pic_from_url(url):
        #从url以二进制的格式下载图片数据
        pic_content = requests.get(url,stream=True).content
        open(‘filename‘,‘wb‘).write(pic_content)

4.完整代码

import requests
from bs4 import BeautifulSoup

def get_html(url):
    try:
        r = requests.get(url,timeout = 30)
        r.raise_for_status
        r.encoding = ‘gb2312‘
        return r.text
    except:
        return ‘error‘

def get_content(url):
    html = get_html(url)
    soup = BeautifulSoup(html,‘lxml‘)

    # 找到电影排行榜的ul列表
    movie_list = soup.find(‘ul‘,class_=‘picList clearfix‘)
    movies = movie_list.find_all(‘li‘)

    for movie in movies:
        # 找到图片链接,电影名称
        img_url = movie.find(‘img‘)[‘src‘]
        name = movie.find(‘span‘,class_=‘sTit‘).text

        #这里做一个异常捕获，防止没有上映时间
        try:
            time = movie.find(‘span‘,class_=‘sIntro‘).text
        except:
            time = ‘暂无上映时间‘

        # 迭代找出“pACtor”的所有子孙节点，解决每一位演员的名字分割问题
        try:
            actors = movie.find(‘p‘,class_=‘pActor‘).contents
            actor = ‘‘
            for act in actors:
                actor = actor + act.string + ‘ ‘
        except:
            actor = ‘暂无主演‘

        # 找到影片简介
        intro = movie.find(‘p‘,class_=‘pTxt pIntroShow‘).text

        print("片名：{}\\t{}\\n{}\\n{} \\n \\n".format(name,time,actor,intro))

        # 把图片下载下来,以二进制读写模式打开
        with open(‘C:/Users/Administrator/Desktop/img/‘+name+‘.png‘,‘wb+‘) as f:
            f.write(requests.get(img_url).content)

def main():
    url = ‘http://dianying.2345.com/top/‘
    get_content(url)

if __name__ == ‘__main__‘:
    main()

5.输出结果

 

6.注意点

requests的content和text属性的区别：

从print 结果来看是没有任何区别的

resp.text返回的是Unicode型的数据。

resp.content返回的是bytes型也就是二进制的数据。

也就是说，如果想获取文本，可以通过r.text。

如果想取图片，文件，则可以通过r.content。