豆瓣电影排行榜前250 分为10页，第一页的url为https://movie.douban.com/top250,但实际上应该是https://movie.douban.com/top250?start=0 后面的参数0表示从第几个开始，如0表示从第一（肖申克的救赎）到第二十五（触不可及），https://movie.douban.com/top250?start=25表示从第二十六（蝙蝠侠：黑暗骑士）到第五十名（死亡诗社）。等等，
所以可以用一个步长为25的range的for循环参数
for i in range(0, 250, 25): print(i)
分析完页面组成后，开始获取页面，直接request.get()发现没有返回任何东西，输出一下响应码
url = ‘https://movie.douban.com/top250?start=0‘ res = request.get(url=url) print(res.status_code)
发现返回响应码418
以前没见过这个，拉网线上网查一下，发现给get里面加一个header参数就行了
这里可以用自己浏览器的user-agent，如
headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36‘}
或者用fake_agent(安装直接用pip install fake_agent) 来为自己生成一个随机的agent添加到header字典中
from fake_useragent import UserAgent headers = {‘User-Agent‘: UserAgent().random}
之后就可以得到页面源码了。
然后使用lxml.etree，即xpath解析页面源码。用浏览器插件xpath finder快速定位到元素
import requests import lxml.etree as etree url = ‘https://movie.douban.com/top250?start=0‘ headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36‘} res = requests.get(url=url, headers=headers) print(res.text) html = etree.HTML(res.text) name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]") print(name)
但是直接这样子，解析到的是这样的结果
[<Element span at 0x20b2f0cc488>]
关于这东西是什么，有文章写的很好：https://www.jb51.net/article/132145.htm
这里我直接写解决部分，在使用xpath解析时，后面加上/text()
name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()")
解决后，再使用xpath finder插件，一步一步获取到电影所有数据
最后把这个写在函数里，外面再套上一开始说的循环，就OK了
# -*- coding: utf-8 -*-
import requests
import lxml.etree as etree
def get_source(page):
url = ‘https://movie.douban.com/top250?start={}‘.format(page)
headers = {
‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36‘}
print(url)
res = requests.get(url=url, headers=headers)
print(res.status_code)
html = etree.HTML(res.text)
for i in range(1, 26):
name = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[1]/a/span[1]/text()".format(i))
info = html.xpath("/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[1]/text()".format(i))
score = html.xpath(
"/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/div/span[2]/text()".format(i))
slogan = html.xpath(
"/html/body/div[3]/div[1]/div/div[1]/ol/li[{}]/div/div[2]/div[2]/p[2]/span/text()".format(i))
print(name[0])
print(info[0].replace(‘ ‘, ‘‘))
print(info[1].replace(‘ ‘, ‘‘))
print(score[0])
print(slogan[0])
n = 1
for i in range(0, 250, 25):
print(‘第%d页‘ % n)
n += 1
get_source(i)
print(‘==========================================‘)
excel操作不来。淦。鸽了
原文：https://www.cnblogs.com/This-is-Y/p/13196523.html