完整代码Python爬取豆瓣电影详情数据

引言

在数据科学和网络爬虫的世界里，豆瓣电影是一个丰富的数据源。在本文中，我们将探讨如何使用Python语言，结合requests和pyquery库来爬取豆瓣电影的详情页面数据。我们将通过一个具体的电影详情页面作为例子，一步步解析并提取我们感兴趣的信息。

完整代码放到最后！！！完整代码放到最后！！！完整代码放到最后！！！

环境准备

在开始之前，请确保您的环境中已安装以下Python库：

• requests：用于发送HTTP请求。
• pyquery：使HTML文档的查询变得简单，类似于jQuery。
• re：Python的正则表达式库，用于文本匹配和提取。

您可以通过以下命令安装所需的库：

pip install requests pyquery

爬虫步骤概览

我们的爬虫任务分为三个主要步骤：

1. 发送HTTP请求：获取目标网页的内容。
2. 解析HTML：使用pyquery提取页面中的数据。
3. 数据提取与处理：将提取的数据转换为所需的格式。

详细代码实现

第一步：发送HTTP请求

我们首先构造一个函数getMovieInfoByUrl，它接受一个电影详情页面的URL作为参数，并发送GET请求获取页面内容。

import requests
from pyquery import PyQuery as pq
import re
from pprint import pprint

def getMovieInfoByUrl(detailUrl):
    movieInfo = {}
    headers = {
        # 请求头，伪装成浏览器访问
    }
    response = requests.get(detailUrl, headers=headers)
    # 检查请求是否成功
    if response.status_code == 200:
        # ...

第二步：解析HTML

使用pyquery解析响应文本，提取页面中的元素。

    doc = pq(response.text)
    # ...

第三步：数据提取与处理

根据页面结构，提取电影的年份、描述、主要信息等，并进行适当的处理。

    movieInfo['release_year'] = re.findall(r'\d+', doc("#content h1 .year").text())[0]
    movieInfo['movie_desc'] = doc("#link-report-intra .all").text()
    # ...

正则表达式的应用

在提取信息时，我们使用正则表达式来匹配和分割文本。例如，我们使用正则表达式来分割<br/>标签，并提取关键的电影信息。

    content_list = re.split(r'<br/>', info_items_html_content)
    regex_pattern = re.compile(r'(.*?):\s(.*?)(?:\n|$)')
    for content in content_list:
        # ...

映射中文键到英文键

为了方便后续处理，我们将中文键映射到英文键。

    key_mapping = {
        # 中文键到英文键的映射
    }
    for key, value in extracted_info.items():
        if key in key_mapping:
            movieInfo[key_mapping[key]] = value

结果展示

最后，我们打印出提取的电影信息。

    pprint(movieInfo)
    return movieInfo

总结

在本文中，我们学习了如何使用Python爬取豆瓣电影详情页面的数据。我们通过分析网页结构，使用requests和pyquery提取了页面中的关键信息，并使用正则表达式对信息进行了处理和格式化。希望这篇文章能帮助您入门网络爬虫，并激发您探索更多数据获取和处理的方法。

完整代码

# 豆瓣电影详情也爬数据
import requests
from pyquery import PyQuery as pq
import re
from pprint import pprint
import time

# 第一步，请求详情页面拿到响应
# 第二步, 根据响应 + pyquery 解析dom拿到对应节点文本
# 第三步，处理文本为想要的数据形式。

def getMovieInfoByUrl(detailUrl):
    movieInfo = {}
    # 定义请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        # 其他需要的请求头...
    }
    # 发送 GET 请求并获取响应内容
    response = requests.get(detailUrl, headers=headers)
    # 确保请求成功
    if response.status_code == 200:
        doc = pq(response.text)
        movieInfo['release_year'] = re.findall(r'\d+', doc("#content h1 .year").text())[0]
        movieInfo['movie_desc'] = doc("#link-report-intra .all").text()
        #======处理 info 标签信息
        info_items_doc = doc("#content #info")
        info_items_html_content = info_items_doc.html()
        # 根据<br>标签划分内容
        content_list = re.split(r'<br/>', info_items_html_content)
        extracted_info = {}
        # 定义正则表达式模式
        regex_pattern = re.compile(r'(.*?):\s(.*?)(?:\n|$)')
        # 输出划分后的内容
        for content in content_list:
            info_item_doc = pq(f'<div>{content}<div>')
            info_item_text = info_item_doc.text()
            match = regex_pattern.match(info_item_text)
            if match:
                extracted_info[match.group(1)] = match.group(2)

        # print("extracted_info",extracted_info)
        # 映射中文键到英文键
        key_mapping = {
            '主演': 'leading_actor',
            '制片国家/地区': 'release_region',
            '导演': 'director',
            '片长': 'duration',
            '类型': 'genre',
        }
        for key,value in extracted_info.items():
            if key in key_mapping:
                movieInfo[key_mapping[key]] = value
        movieInfo['duration'] = int(movieInfo['duration'].split('分钟')[0])
        #======处理 info 标签信息
        pprint(movieInfo)

    else:
        print(f"请求失败，状态码：{response.status_code}")
    return movieInfo