爬虫豆瓣电影存入csv文件

需要用到的第三方库：

　　requests(Python HTTP请求工具)

　　lxml(解析网页结构工具)

　　beautifulsoup4(网页文档解析工具)

先贴上代码

import requests
from bs4 import BeautifulSoup
import csv

#1.新建一个csv的文件
to_be_show=open ('D:\\豆瓣最近上映电影.csv','w',encoding='gbk',newline='')
writer=csv.writer(to_be_show)
#CVS写入的参数为一个list
writer.writerow(['电影名','链接','海报','上映日期','类型','地区','想看人数'])

#2.发送请求，获取即将上映电影
response=requests.get('https://movie.douban.com/cinema/later/hangzhou/')
html_content=response.content.decode('utf-8')
response.close()

#3.解析html格式的响应内容
soup=BeautifulSoup(html_content,'lxml')
all_movies=soup.find('div',id='showing-soon')
#新建一个列表接收所有电影信息
all_movies_list=[]
for each_movie in all_movies.find_all('div',class_='item'):
    tag_a=each_movie.find_all('a')
    tag_li=each_movie.find_all('li')
    movie_name=tag_a[1].text
    movie_link=tag_a[1]['href']
    movie_poster=tag_a[0].find('img')['src']
    movie_date=tag_li[0].text
    movie_type=tag_li[1].text
    movie_area=tag_li[2].text
    movie_want_see=tag_li[3].text.replace('人想看','')
    #打印一下
    print('名字:{name}，链接:{link}，海报:{poster}，上映日期:{date}，类型:{type}，地区:{area}，想看人数:{want_see}'.
          format(name=movie_name,link=movie_link,poster=movie_poster,date=movie_date,type=movie_type,area=movie_area,want_see=movie_want_see))

    all_movies_list.append({'名字':movie_name,'链接':movie_link,'海报':movie_poster,'上映日期':movie_date,'类型':movie_type,'地区':movie_area,'想看人数':movie_want_see})

#4.用sorted将所有电影按想看的人数反序排列，x为all_movies_list中的每一个元素
all_movies_list=sorted(all_movies_list,key=lambda x:int(x['想看人数']),reverse=True)
#将电影信息写入cvs文件
for movie_list in all_movies_list:
    writer.writerow([movie_list['名字'],movie_list['链接'],movie_list['海报'],movie_list['上映日期'],movie_list['类型'],movie_list['地区'],movie_list['想看人数']])
#关闭文件
to_be_show.close()

CSV文件

1.requests库介绍

Python用来发送http请求的第三方库

（1）自动管理cookie：requests.session()，之后使用session请求，就会自动带上所有的cookie

import requests
session = requests.session()
response = session.get("https://www.baidu.com")
print(response.content.decode('utf-8'))

手动添加cookie

import requests
session=requests.session()
cooikes={
    'BAIDUID':'B9993D9D407D57107F43D82B60A348BE:FG=1',
    'BIDUPSID':'B9993D9D407D57107F43D82B60A348BE',
    'PSTM':'1551667335',
}
requests.utils.add_dict_to_cookiejar(session.cookies,cooikes)

2.lxml库介绍

lxml可以用来解析XML文件或者HTML文件，能够一个一个节点地解析，并且经过测试，lxml是Python所有解析HTML结构的包里面，解析速度最快的。lxml可以使用css选择器进行选择网页的节点，但是css选择器

对新手不是很友好，所以我们采用了一个折中的办法，用beautifulsoup。

3.beautifulsoup4库介绍

beautifulsoup4是一个可以从HTML或XML文件中提取数据的Python库，他可以选择几个不同的解析器：

　　html.parser(Python原生自带，速度慢，容错能力差)

　　html5lib(Python自带，速度慢)

　　lxml(需要安装，Python最快，还可以解析xml文件)

beautifulsoup4介绍链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

（1）初始化BeautifuSoup的参数

soup=BeautifulSoup(html_content,'lxml')

第一个参数 html_content是网页的源代码，可以是个Unicode字符串，也可以是一个二进制字符串(如果第一个参数是字符串并且网页自带了charset信息，BS会默认采用网页的默认编码解码，否则默认以你当前文件

执行的编码(通常是utf-8)进行解析。如果是二进制字符串，如果自己手动指定了编码，就以指定编码解析，否则默认utf-8解析)。

第二个参数 lxml 是BeautifulSoup采用的网页解析器，安装lxml用处就在这体现出来了。如果不指定，那么默认会采用Python内置的html.parser进行解析

（2）BeautifulSoup的基本使用语法规则

　　——find() 使用示例
soup.find('a')，会返回在soup包含的源代码中，遇到的第一个<a>...</a>标签内容对象。

soup.find('a', id='next')，会返回在soup包含的源代码中，遇到的第一个有属性为id，值为next的<a>对象，比如<a id="next">...</a>。(不只可以用id，大部分其他的属性都可以直接使用，比如src、name。值得注意的是，class这个属性因为是Python关键字，不能直接使用，所以在BS里面，使用class_='...'进行代替 )

find返回的结果，依然可以继续使用find()或者find_all()方法。如果找不到指定的内容，find会返回None

　　——find_all()使用示例

soup.find_all('a')，会返回在soup包含的源代码中，遇到的所有<a>...</a>标签内容的可迭代对象(返回一个 list)。

soup.find_all('a', class_='next')，会返回在soup包含的源代码中，遇到的所有属性为class，值为next的<a>的可迭代对象，比如<a class="next">...</a>。(语法和find也一样，class也不能直接写)

find_all返回的“list”中的单个对象依然可以继续使用find()或者find_all()方法。如果找不到指定的内容，find_all会返回一个空的“list”。

　　——获取元素的某个属性

soup['src']，取出soup对象的src属性。如果该属性不存在，那么程序会报错。

　　——获取元素中的所有文本

soup.text，假设soup对象为<div>你好<a>复联</a></div>，那么这个操作返回字符串是"你好复联"。

注意：BeautifulSoup的find('a')是查找第一个<a></a>标签，find_all('a')是查找所有<a></a>标签，和selenium使用xpath查找标签不同，xpath是按html层级查找标签，刚开始接触BeautifulSoup被搞混淆了

原文参考：https://www.jianshu.com/p/011abdcee7e4

原文地址：https://www.cnblogs.com/yjh1995/p/11836864.html