爬虫脚本（抓取豆瓣电影Top250）

运行环境：Windows7，python2.7.13

需求分析：爬取豆瓣电影网排行的Top250片名。

步骤：

　　1.　　抓取网站源码。

　　2.　　利用正则表达式提取片名。

　　3.　　把电影片名保存到文本中。

　　4.　　重复以上3个步骤，直至Top250的片名全部保存完毕。

步骤1：抓取网站源码。

　　分析网站的url，找出url的规律。

　　第一页的url：https://movie.douban.com/top250?start=0&filter=

　　第二页的url：https://movie.douban.com/top250?start=25&filter=

　　第三页的url：https://movie.douban.com/top250?start=50&filter=

　　最后一页的url：https://movie.douban.com/top250?start=225&filter=

　　首先利用requests库的APi抓取网站源码：

import requests

response = requests.get('https://movie.douban.com/top250?start=0&filter=')
page = response.content

步骤2：利用正则表达式提取片名。

　　观察html源码，利用正则表达式检索自己需要的内容。

import re

pattern = re.compile(r'<img width="100" alt=".*?"')
movie_list = re.findall(pattern, page)

步骤3：把电影片名保存到文本中。

file = open(u'豆瓣电影Top250.txt', 'w')
for i in movie_list:
    file.write(i)
file.close()

　　这里打开豆瓣电影Top250.txt文件发现数据是下面图片这样的：

　　这里需要对数据进行过滤。所以步骤3的代码如下：

file = open(u'豆瓣电影Top250.txt', 'w')
for k in movie_list:
    k = k.replace('<img width="100" alt="', '') #把没用的字符过滤掉
    k = k.replace('"', '') #把没用的字符过滤掉
    file.write(k)
    file.write('\n') #加上一个换行符，使一部电影名占一行
file.close()

 步骤4：重复以上3个步骤，直至Top250的片名全部保存完毕。

　　这里使用一个for循环，一页一页地往后抓取数据，基本上就是把步骤1，2，3的代码合并在一起，加上一个for循环。（红色的为新增或变动后的代码）

# -*- coding: utf-8 -*-
import re
import requests

n = 0
file = open('aa.txt', 'w')
for i in range(10): #这里一个只有10页，所以进行10次循环
    response = requests.get('https://movie.douban.com/top250?start=%s&filter=' % n)
    page = response.content
    pattern = re.compile(r'<img width="100" alt=".*?"')
    movie_list = re.findall(pattern, page)
    for k in movie_list:
        k = k.replace('<img width="100" alt="', '')
        k = k.replace('"', '')
        file.write(k)
        file.write('\n') #一页的电影名爬取完毕
    n += 25 #在步骤1可以发现url的规律，所以n每次加25
file.close()

 总结：上面这段代码已经可以完成任务了，下面是整理，封装成一个类的完整代码：

# -*- coding: utf-8 -*-
import re
import requests

class MovieTop250Spider:
    def __init__(self):
        self.n = 0
        self.url = 'https://movie.douban.com/top250?start=%s&filter=' % self.n

    def getPage(self, url): #用于下载网页html源码
        response = requests.get(url = url)
        page = response.content
        return page

    def spider(self):
        pattern = re.compile(r'<img width="100" alt=".*?"') #用于检索电影名的匹配模式
        file = open(u'豆瓣Top250电影.txt', 'w')
        for i in range(10):
            page = self.getPage(self.url)
            movie_list = re.findall(pattern, page)
            for k in movie_list:
                k = k.replace('<img width="100" alt="', '')
                k = k.replace('"', '')
                file.write(k)
                file.write('\n')
            self.n += 25
            self.url =  'https://movie.douban.com/top250?start=%s&filter=' % self.n
        file.close()

movie = MovieTop250Spider()
movie.spider()

 　　结果如图：