有了上次利用python爬虫抓取糗事百科的经验，这次自己动手写了个爬虫抓取豆瓣电影Top250的简要信息。
1.观察url
首先观察一下网址的结构 http://movie.douban.com/top250?start=0&filter=&type= ：
可以看到，问号?后有三个参数 start、filter、type，其中start代表页码，每页展示25部电影，0代表第一页，以此类推25代表第二页，50代表第三页...
filter顾名思义，是过滤已经看过的电影，filter和type在这里不重要，可以不管。
2.查看网页源代码
打开上面的网址，查看源代码，可以看到信息的展示结构如下：
1 <ol class="grid_view"> 2 <li> 3 <div class="item"> 4 <div class="pic"> 5 <em class="">1</em> 6 <a href="http://movie.douban.com/subject/1292052/"> 7 <img alt="肖申克的救赎" src="http://img3.douban.com/view/movie_poster_cover/ipst/public/p480747492.jpg" class=""> 8 </a> 9 </div> 10 <div class="info"> 11 <div class="hd"> 12 <a href="http://movie.douban.com/subject/1292052/" class=""> 13 <span class="title">肖申克的救赎</span> 14 <span class="title"> / The Shawshank Redemption</span> 15 <span class="other"> / 月黑高飞(港) / 刺激1995(台)</span> 16 </a> 17 18 19 <span class="playable">[可播放]</span> 20 </div> 21 <div class="bd"> 22 <p class=""> 23 导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br> 24 1994 / 美国 / 犯罪 剧情 25 </p> 26 27 28 <div class="star"> 29 <span class="rating5-t"><em>9.6</em></span> 30 <span>646374人评价</span> 31 </div> 32 33 <p class="quote"> 34 <span class="inq">希望让人自由。</span> 35 </p> 36 </div> 37 </div> 38 </div> 39 </li>
其中<em class="">1</em>代表排名，<span class="title">肖申克的救赎</span>代表电影名，其他信息的含义也很容易能看出来。
于是接下来可以写正则表达式：
1 pattern = re.compile(u‘<div.*?class="item">.*?<div.*?class="pic">.*?‘ 2 + u‘<em.*?class="">(.*?)</em>.*?‘ 3 + u‘<div.*?class="info">.*?<span.*?class="title">(.*?)‘ 4 + u‘</span>.*?<span.*?class="title">(.*?)</span>.*?‘ 5 + u‘<span.*?class="other">(.*?)</span>.*?</a>.*?‘ 6 + u‘<div.*?class="bd">.*?<p.*?class="">.*?‘ 7 + u‘导演: (.*?) ‘ 8 + u‘主演: (.*?)<br>‘ 9 + u‘(.*?) / (.*?) / ‘ 10 + u‘(.*?)</p>‘ 11 + u‘.*?<div.*?class="star">.*?<em>(.*?)</em>‘ 12 + u‘.*?<span>(.*?)人评价</span>.*?<p.*?class="quote">.*?‘ 13 + u‘<span.*?class="inq">(.*?)</span>.*?</p>‘, re.S)
在此处flag参数re.S代表多行匹配。
3.使用面向对象的设计模式编码
代码如下：
1 # -*- coding:utf-8 -*- 2 __author__ = ‘Jz‘ 3 import urllib2 4 import re 5 import sys 6 7 class MovieTop250: 8 def __init__(self): 9 #设置默认编码格式为utf-8 10 reload(sys) 11 sys.setdefaultencoding(‘utf-8‘) 12 self.start = 0 13 self.param = ‘&filter=&type=‘ 14 self.headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64)‘} 15 self.movieList = [] 16 self.filePath = ‘D:/coding_file/python_file/File/DoubanTop250.txt‘ 17 18 def getPage(self): 19 try: 20 URL = ‘http://movie.douban.com/top250?start=‘ + str(self.start) 21 request = urllib2.Request(url = URL, headers = self.headers) 22 response = urllib2.urlopen(request) 23 page = response.read().decode(‘utf-8‘) 24 pageNum = (self.start + 25)/25 25 print ‘正在抓取第‘ + str(pageNum) + ‘页数据...‘ 26 self.start += 25 27 return page 28 except urllib2.URLError, e: 29 if hasattr(e, ‘reason‘): 30 print ‘抓取失败，具体原因：‘, e.reason 31 32 def getMovie(self): 33 pattern = re.compile(u‘<div.*?class="item">.*?<div.*?class="pic">.*?‘ 34 + u‘<em.*?class="">(.*?)</em>.*?‘ 35 + u‘<div.*?class="info">.*?<span.*?class="title">(.*?)‘ 36 + u‘</span>.*?<span.*?class="title">(.*?)</span>.*?‘ 37 + u‘<span.*?class="other">(.*?)</span>.*?</a>.*?‘ 38 + u‘<div.*?class="bd">.*?<p.*?class="">.*?‘ 39 + u‘导演: (.*?) ‘ 40 + u‘主演: (.*?)<br>‘ 41 + u‘(.*?) / (.*?) / ‘ 42 + u‘(.*?)</p>‘ 43 + u‘.*?<div.*?class="star">.*?<em>(.*?)</em>‘ 44 + u‘.*?<span>(.*?)人评价</span>.*?<p.*?class="quote">.*?‘ 45 + u‘<span.*?class="inq">(.*?)</span>.*?</p>‘, re.S) 46 while self.start <= 225: 47 page = self.getPage() 48 movies = re.findall(pattern, page) 49 for movie in movies: 50 self.movieList.append([movie[0], movie[1], movie[2].lstrip(‘ / ‘), 51 movie[3].lstrip(‘ / ‘), movie[4], 52 movie[5], movie[6].lstrip(), movie[7], movie[8].rstrip(), 53 movie[9], movie[10], movie[11]]) 54 55 def writeTxt(self): 56 fileTop250 = open(self.filePath, ‘w‘) 57 try: 58 for movie in self.movieList: 59 fileTop250.write(‘电影排名：‘ + movie[0] + ‘\r\n‘) 60 fileTop250.write(‘电影名称：‘ + movie[1] + ‘\r\n‘) 61 fileTop250.write(‘外文名称：‘ + movie[2] + ‘\r\n‘) 62 fileTop250.write(‘电影别名：‘ + movie[3] + ‘\r\n‘) 63 fileTop250.write(‘导演姓名：‘ + movie[4] + ‘\r\n‘) 64 fileTop250.write(‘参与主演：‘ + movie[5] + ‘\r\n‘) 65 fileTop250.write(‘上映年份：‘ + movie[6] + ‘\r\n‘) 66 fileTop250.write(‘制作国家/地区：‘ + movie[7] + ‘\r\n‘) 67 fileTop250.write(‘电影类别：‘ + movie[8] + ‘\r\n‘) 68 fileTop250.write(‘电影评分：‘ + movie[9] + ‘\r\n‘) 69 fileTop250.write(‘参评人数：‘ + movie[10] + ‘\r\n‘) 70 fileTop250.write(‘简短影评：‘ + movie[11] + ‘\r\n\r\n‘) 71 print ‘文件写入成功...‘ 72 finally: 73 fileTop250.close() 74 75 def main(self): 76 print ‘正在从豆瓣电影Top250抓取数据...‘ 77 self.getMovie() 78 self.writeTxt() 79 print ‘抓取完毕...‘ 80 81 DouBanSpider = MovieTop250() 82 DouBanSpider.main()
代码比较简单，最后将信息写入一个文件，没有什么需要解释的地方。
4.运行截图
5.问题说明
打开文件浏览时发现有个别电影没有抓取下来或者信息中出现html代码，后来排查发现是因为豆瓣有部分电影的信息不全，缺少主演等导致html代码出现差异而导致正则表达式没有匹配到或者匹配出错。
原文：http://www.cnblogs.com/jzincnblogs/p/4899348.html