团队-爬虫豆瓣top250项目-开发文档

Posted Among

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了团队-爬虫豆瓣top250项目-开发文档相关的知识,希望对你有一定的参考价值。

爬取豆瓣——文档

一。开发语言的选择:

本次系统设计选用Python高级编程语言,其原因:Python易学易用、语法简单、url请求和字符串处理都非常便捷,为高效数据采集的流行工具。

二。本次系统实现的需求(功能):

要采集豆瓣电影网所有的电影信息及其排名。

三。实现功能的理论(初步设想):

浏览器把资源文件渲染成了我们看到的网页的样子,我们如果要取出网页中的数据,就需要拿到资源文件。发起Http请求,然后解析服务器返回的响应,就是爬虫的工作,所以爬虫的第一步是获取html文件。

四。爬虫实现的基本工作:

  • 获取目标页面源码 -> 调用对应的类库
  • 解析html文件,提取出自己想要的信息 -> 使用正则表达式解析字符串或者调用解析html的库

 五。部分模块的实现:

Attributes:
  page: 用于表示当前所处的抓取页面
  cur_url: 用于表示当前争取抓取页面的url
  datas: 存储处理好的抓取到的电影名称
  _top_num: 用于记录当前的top号码

代码:

class DouBanSpider(object) :  

  def __init__(self) :
    self.page = 1
    self.cur_url = "http://movie.douban.com/top250?start={page}&filter=&type="
    self.datas = []
    self._top_num = 1
    print "豆瓣电影爬虫准备就绪, 准备爬取数据..."

  def get_page(self, cur_page) :

    url = self.cur_url
     try :
      my_page = urllib2.urlopen(url.format(page = (cur_page - 1) * 25)).read().decode("utf-8")
    except urllib2.URLError, e :
      if hasattr(e, "code"):
        print "The server couldn‘t fulfill the request."
        print "Error code: %s" % e.code
      elif hasattr(e, "reason"):
        print "We failed to reach a server. Please check your url and read the Reason"
        print "Reason: %s" % e.reason
     return my_page

  def find_title(self, my_page) :

    temp_data = []

    movie_items = re.findall(r‘<span.*?class="title">(.*?)</span>‘, my_page, re.S)
    for index, item in enumerate(movie_items) :
      if item.find("&nbsp") == -1 :
        temp_data.append("Top" + str(self._top_num) + " " + item)
        self._top_num += 1
     self.datas.extend(temp_data)

  def start_spider(self) :

    while self.page <= 4 :

      my_page = self.get_page(self.page)
      self.find_title(my_page)
      self.page += 1

   def main() :

    my_spider = DouBanSpider()
    my_spider.start_spider()
    for item in my_spider.datas :
      print item
    print "豆瓣爬虫爬取结束..."

if __name__ == ‘__main__‘:
  main()

六。功能:

本次实现了爬取豆瓣Top100名的电影

七。不足之处(尚未实现的功能):

1.并未有电影详细信息(如“导演,评价,分数,演员等)

2.并没有爬取T250个电影,系统有些卡顿,所以只实现Top100

 

以上是关于团队-爬虫豆瓣top250项目-开发文档的主要内容,如果未能解决你的问题,请参考以下文章

《Forward团队-爬虫豆瓣top250项目-开发文档》

团队-爬虫豆瓣top250项目-开发文档

团队-爬虫豆瓣top250项目-开发文档

Forward团队-爬虫豆瓣top250项目-开发文档

简单团队-爬虫豆瓣top250项目-设计文档

《团队-爬取豆瓣top250-开发文档》