使用串行爬虫爬豆瓣电影top 250

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2021/9/5 21:41
# @Author : Lhtester
# @Site : 
# @File : 豆瓣电影.py
# @Software: PyCharm
"""使用串行爬虫爬豆瓣电影top 250"""
#导入模块
import requests
import time
import random
from lxml import etree
from queue import Queue

class DouBanSpider:
    """爬虫类"""
    def __init__(self):
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36"}
        self.base_url = "https://movie.douban.com/top250"
        #声明队列
        self.dataQueue = Queue()
        self.num = 1

    def loadPage(self,url):

        '''向URL发起请求,获取响应内容'''
        #设置随机休眠
        time.sleep(random.random())
        return requests.get(url,headers=self.headers).content
    def parsePage(self,url):
        '''根据起始URL提取所有的URL'''

        #获取URL对应的响应内容
        content = self.loadPage(url)
        #Xpath 处理得到的对应element对象
        html = etree.HTML(content)
        #所有的电影节点
        node_list = html.xpath("//div[@class='info']")

        #遍历
        for node in node_list:
            #获取每部电影标题
            title = node.xpath(".//span[@class='title']/text()")[0]
            #每部电影的评分
            score = node.xpath(".//span[@class='rating_num']/text()")[0]
            #将数据存储到队列中
            self.dataQueue.put(score+"\t"+title)
        #只有在第一个时获取所有URL组成的列表,其他页就不再获取
        if url == self.base_url:
            return [self.base_url + link for link in html.xpath("//div[@class='paginator']/a/@href")]

    def startWork(self):
        """爬虫入口"""
        #第一个页面的请求,需要返回所有页面链接,并提取第一个的电影信息
        link_list = self.parsePage(self.base_url)
        #循环发送每个页面的请求,并获取所有的电影信息
        for link in link_list:
            self.parsePage(link)
        #循环get队列的数据,直到队列为空在退出
        while not self.dataQueue.empty():
            print(self.num)
            print(self.dataQueue.get())
            self.num+=1

if __name__ == "__main__":

    #创建爬虫对象
    spider =DouBanSpider()
    #开始时间
    start_time = time.time()
    #开始爬虫
    spider.startWork()#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2021/9/5 21:41
# @Author : Lhtester
# @Site : 
# @File : 豆瓣电影.py
# @Software: PyCharm
"""使用串行爬虫爬豆瓣电影top 250"""
#导入模块
import requests
import time
import random
from lxml import etree
from queue import Queue

class DouBanSpider:
    """爬虫类"""
    def __init__(self):
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36"}
        self.base_url = "https://movie.douban.com/top250"
        #声明队列
        self.dataQueue = Queue()
        self.num = 1

    def loadPage(self,url):

        '''向URL发起请求,获取响应内容'''
        #设置随机休眠
        time.sleep(random.random())
        return requests.get(url,headers=self.headers).content
    def parsePage(self,url):
        '''根据起始URL提取所有的URL'''

        #获取URL对应的响应内容
        content = self.loadPage(url)
        #Xpath 处理得到的对应element对象
        html = etree.HTML(content)
        #所有的电影节点
        node_list = html.xpath("//div[@class='info']")

        #遍历
        for node in node_list:
            #获取每部电影标题
            title = node.xpath(".//span[@class='title']/text()")[0]
            #每部电影的评分
            score = node.xpath(".//span[@class='rating_num']/text()")[0]
            #将数据存储到队列中
            self.dataQueue.put(score+"\t"+title)
        #只有在第一个时获取所有URL组成的列表,其他页就不再获取
        if url == self.base_url:
            return [self.base_url + link for link in html.xpath("//div[@class='paginator']/a/@href")]

    def startWork(self):
        """爬虫入口"""
        #第一个页面的请求,需要返回所有页面链接,并提取第一个的电影信息
        link_list = self.parsePage(self.base_url)
        #循环发送每个页面的请求,并获取所有的电影信息
        for link in link_list:
            self.parsePage(link)
        #循环get队列的数据,直到队列为空在退出
        while not self.dataQueue.empty():
            print(self.num)
            print(self.dataQueue.get())
            self.num+=1

if __name__ == "__main__":

    #创建爬虫对象
    spider =DouBanSpider()
    #开始时间
    start_time = time.time()
    #开始爬虫
    spider.startWork()
    #结束时间
    stop_time = time.time()
    #result
    print("\n[LOG]:%f secondes..."%(stop_time-start_time))












    #结束时间
    stop_time = time.time()
    #result
    print("\n[LOG]:%f secondes..."%(stop_time-start_time))

 

上一篇:Canvas 动画时钟


下一篇:2019年冬季PAT甲级7-3