Python爬取全球是最大的电影数据库网站IMDb数据

朴灿烈づ我的快乐病毒、 2022-11-10 05:34 384阅读 0赞

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

作者 Dark Horse

# 前言 #

在使用 Python 开发爬虫的过程中，requests 和 BeautifulSoup4(别名bs4) 应用的比较广泛，requests主要用于模拟浏览器的客户端请求，以获取服务器端响应，接收到的响应结果，如：网页HTML源码则交由 bs4 封装后再解析提取目标内容数据。

今天的案例中，我们将使用一个新库 MechanicalSoup 该库事实上是对 requests 和 bs4 的进一步封装，让请求和解析的工作进一步简化，如果你已经熟悉 requests 和 bs4 的基本操作，下面的代码理解起来应该不会很困难。

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# [Python学习交流群：1039649593][Python_1039649593] #

# 准备工作 #

**mechanicalsoup 安装**

终端下使用 pip 安装即可，也会自动安装相关依赖组件库

pip install mechanicalsoup

# 网页分析 #

今天我们要请求的是全球是最大的电影数据库网站 IMDb，其官网地址是 http://www.imdb.com 首页显示效果如图所示：

![Python爬取全球是最大的电影数据库网站IMDb数据][Python_IMDb]

我们要爬取数据的页面，可以通过“Menu“ 导航的子菜单项 "Top Rated Movies" 进入，或直接访问 https://www.imdb.com/chart/top/

![Python爬取全球是最大的电影数据库网站IMDb数据][Python_IMDb 1]

我们要采集的目标数据为左侧页面的列表，经过浏览器右键“检查”分析，得知第一条数据项均包含在一个表格行内，此时我们进一步明确要采集的数据为排名、电影标题、发行年份三列，分析得到以下HTML元素：

![Python爬取全球是最大的电影数据库网站IMDb数据][Python_IMDb 2]

目标数据均包含在一个td class="titleColumn" 单元格内，此时只需要批量获取有该特征的批量单元格，再取出目标数据并清理即可。

# **编码实现** #

**采集并打印**

初步代码结构：

imdb.py

import mechanical
    
    # 数据容器
    data = []
    
    def fetch_data():
        # 此处爬取页面目标数据
    
    def main():
        fetch_data()
    
    if __name__ == "__main__":
        main()

重点的代码逻辑是包含在 fetch\_data() 函数内，具体代码如下(含注释)：

def fetch_data():
        url = "https://www.imdb.com/chart/top/"
        # 构造浏览器对象
        b = mechanicalsoup.StatefulBrowser()
        # 请求目标网址
        b.open(url)
        # b.page 即为当前响应页面源码，且已封装为 BeautifulSoup 对象
        # 页面中找出所有具有 class="titleColumn" 属性的 td 单元格集合
        items = b.page.find_all("td", class_="titleColumn")
    
    
        # 遍历所有项
        for item in items:
            # 取出当前单元格中所所有文本，以"\n"分隔为三个元素
            row = item.text.strip().split("\n")
            # 进一步清理元素值的空格
            # 此时列表中三个元素对应为排名、标题、年份
            row = [x.strip() for x in row]
            # 将数据添加至data列表容器，便于进一步处理
            data.append(row)
            # 打印显示
            print(row)

此时代码如下：

import mechanicalsoup
    
    
    data = []
    
    
    def fetch_data():
        url = "https://www.imdb.com/chart/top/?ref_=nv_mv_250"
        b = mechanicalsoup.StatefulBrowser()
        b.open(url)
        items = b.page.find_all("td", class_="titleColumn")
        for item in items:
            row = item.text.strip().split("\n")
            row = [x.strip() for x in row]
            data.append(row)
            print(row)
    
    
    def main():
        fetch_data()
    
    
    if __name__ == "__main__":
        main()

此时运行代码 python imdb.py 结果如下：

![Python爬取全球是最大的电影数据库网站IMDb数据][Python_IMDb 3]

可以看到在逐行提取时打印的效果，此时数据窗口 data 中也包括了所有行250行的电影信息。

# 将批量数据写入Excel文件 #

如果将采集的批量电影数据（250条）一次性写入Excel 表格文件，可以安装使用 Excel 操作库，比如：openpyxl 等，在执行完前述步骤 fetch\_data() 执行新建、并写入Excel 操作即可。

[Python_1039649593]: https://jq.qq.com/?_wv=1027&k=SBLaYU2c
[Python_IMDb]: /images/20221023/d4921dcea6b74b5897e49e270e8217b0.png
[Python_IMDb 1]: /images/20221023/e903b7ca2d3744d69d4f94dd9a513c58.png
[Python_IMDb 2]: /images/20221023/bad9cb4c8c334c1b827d5d23acdd35c1.png
[Python_IMDb 3]: /images/20221023/b976fcc10cd04885ac9782f1e8cc7666.png