爬虫实践 ： 静态网页爬取

目标网址：https://movie.douban.com/top250
爬取数据目标 ：电影排名，电影名称，评分，评价数量

页面分析

每页显示25条数据，共计10页，一共250条数据。
检查网页源码：所需要的数据在网页源码均有
检查网页链接：
第一页：https://movie.douban.com/top250?start=0&filter=
第二页：https://movie.douban.com/top250?start=25&filter=
第三页：https://movie.douban.com/top250?start=50&filter=
...
其中不同相同的地方为： start = 数字不相同

推测由页码*25 递增规律，为了验证，点击最后一页查看
第十页：https://movie.douban.com/top250?start=225&filter=

规律 ： （页码数-1）*25

推测：&filter= 省略掉也没有关系，所以省略

最终的url链接为：https://movie.douban.com/top250?start=50

似乎可以利用 params 来传递关键，形式为字典。

url再次被拆解为：https://movie.douban.com/top250 和 params= {"start":数字}
为了验证猜想是否正确，组织代码如下：

# coding:utf-8
import requests
from fake_useragent import UserAgent
from bs4 import BeautifulSoup
import pandas as pd

class Douban():
    def __int__(self):
        pass
    def  __headers(self):
        ua = UserAgent()
        useragent = ua.ie
        headers = {
            "User-Agent": useragent,
        }
        return headers

    def send_url(self,num,url):
        params = {"start": num * 25}
        response = requests.get( url,params=params , headers=self.__headers() )
        return response.content.decode()



    # 写爬取的主要逻辑
    def run(self,url):
        rel = []
        for i in range(10):
            # 1 发送请求
            response = self.send_url(i,url )   # 发送请求
            # 2 处理数据
            soup = BeautifulSoup(response,"html.parser")

            # 2.1 先找到item
            data_list = soup.find_all(class_ = "item")
            for data in data_list:
                dic = {}
                dic["序号"] = data.em.string
                dic["电影名称"] = data.img["alt"]
                dic["评分"] = data.find_all(class_ = "rating_num")[0].string
                dic["评价人数"] = data.find_all("span")[-2].string
                dic["格言"] = data.find_all("span")[-1].string
                rel.append(dic)
        # 3 保存数据
        # with open("豆瓣电影250.txt","w",encoding="utf-8") as f:
        #     f.write(str(rel))
        data = pd.DataFrame(rel)
        data.to_excel("豆瓣电影排名.xlsx")
if __name__ == '__main__':
    url ="https://movie.douban.com/top250"
    douban = Douban()
    douban.run(url)

最后结果