Python爬取豆瓣Top 250的电影,并输出到文件. demo,学习篇

ゞ浴缸里的玫瑰 2022-02-27 03:16 156阅读 0赞

'''
    @time   :2019/213 17:55
    @desc   :通过爬取http://movie.douban.com/top250/得到豆瓣Top 250的电影，并输出到文件movies.txt
    '''
    # import 导入模块
    import codecs
    import requests
    # 导入模块 bs4 的 BeautifulSoup 函数
    from bs4 import BeautifulSoup
    
    # 下载网址
    DOWNLOAD_URL = 'http://movie.douban.com/top250/'
    
    # def 定义download_page函数 --- 相同于PHP function
    def download_page(url):
        # 使用 requests get方法 .content编码 .text返回页面文本
        return requests.get(url).content
        #return requests.get(url).text
    
    # 定义parse_html函数
    def parse_html(html):
        # 使用 Beautifulsoup解析, 解析器使用 lxml
        soup = BeautifulSoup(html,"lxml")
        # 标签内容获取 <ol class="grid_view">
        movie_list_soup = soup.find('ol', attrs={'class': 'grid_view'})
        movie_name_list = []
        # 循环获取 li->span下标题
        for movie_li in movie_list_soup.find_all('li'):
            detail = movie_li.find('div', attrs={'class': 'hd'})
            # 获取title
            movie_name = detail.find('span', attrs={'class': 'title'}).getText()
            # append函数会在数组后加上相应的元素
            movie_name_list.append(movie_name)
    
        # 获取分页数据
        next_page = soup.find('span', attrs={'class': 'next'}).find('a')
        if next_page:
            return movie_name_list, DOWNLOAD_URL + next_page['href']
        return movie_name_list, None
    
    # 定义main函数
    def main():
        url = DOWNLOAD_URL
        # 写法可以避免因读取文件时异常的发生而没有关闭问题的处理了
        with codecs.open('movies.txt', 'wb', encoding='utf-8') as fp:
            while url:
                html = download_page(url)
                movies, url = parse_html(html)
                fp.write(u'{movies}\n'.format(movies='\n'.join(movies)))
    
    # _name__ 是当前模块名，当模块被直接运行时模块名为 __main__ 。当模块被直接运行时，代码将被运行，当模块是被导入时，代码不被运行。
    if __name__ == '__main__':
        main()