ython 从零开始爬虫(三)：实战：requests+BeautifulSoup实现静态爬取

• 图片链接是
  的上上个兄弟标签

  的孙子的src属性的值
• 电影名有多个，都在
  标签里，用get_text()把它们串起来
• 导演演员是

  标签的第一段字符串

• 类型是

  标签的第二段字符串

• 评分和评分人数都在
  标签里，又用get_text()串起来
• 一句话总结直属于标签
• html中的&NBSP（实际上是小写，这里大写避免markdown识别）对应字符串中的\xa0,可用replace方法替换掉

url = 'https://movie.douban.com/top250'
headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
r=requests.get(url,headers=headers)
soup = BeautifulSoup(r.text,'lxml')

for each in soup.find_all('div',class_='info'):
    img_url = each.previous_sibling.previous_sibling.a.img['src']#图片链接
    
    '''with open('*.jpg','wb') as img:#还可以顺便下载回来，名字自起
    img.write(requests.get(img_url,headers=headers).content)'''
    
    
    title=each.find('div',class_='hd').get_text(strip=True).replace('\xa0','')#标题
    actor = list(each.find('p',class_='').strings)[0].strip().replace('\xa0','')#导演演员
    type_ = list(each.find('p',class_='').strings)[1].strip().replace('\xa0','')#类型
    score = each.find('div',class_='star').get_text('/',strip=True)#评分及人数
    quote = each.find('span',class_='inq').string#一句话总结
    print([img_url,title,actor,type_,score,quote])#这里只简单打出来看下，怎样存储由你来决定

  但是这样只有25部电影啊，是的，'https://movie.douban.com/top250'指向第一页，我们现在只爬了一页，其实还有9页还没爬啊，这是就要构造网址了。

  我们点到第二页，发现网址变成了https://movie.douban.com/top2...，第三页start条件值变成50，我们可以得出结论，每下一页，start条件值就加25。第一页start=0，第二页start=25.....第十页start=225。这样就可以循环构造网页并爬取了，这交给读者实现   下面笔者提供另一种思路：网页不是有下一页的按钮吗，右键检查一下，发现它已经包含了要构造的部分了，是一个属性值，提取出来接到原网址上即得到下一页的网址，这样能完全爬取所有页数，不用像上面一样设置循环次数。

贴上完整代码

import requests
from bs4 import BeautifulSoup
'''
想要学习Python？Python学习交流群：973783996满足你的需求，资料都已经上传群文件，可以自行下载！
'''
url = 'https://movie.douban.com/top250'
with open('douban.txt','w',encoding='utf-8') as f:
    while url :
        headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}

        r=requests.get(url,headers=headers)
        soup = BeautifulSoup(r.text,'lxml')

        for each in soup.find_all('div',class_='info'):
            img_url = each.previous_sibling.previous_sibling.a.img['src']
            title=each.find('div',class_='hd').get_text(strip=True).replace('\xa0','')
            actor = list(each.find('p',class_='').strings)[0].strip().replace('\xa0','')
            #将生成器list化后索引，strip()去除两边空格再用空字符替换 
            type_ = list(each.find('p',class_='').strings)[1].strip().replace('\xa0','')
            score = each.find('div',class_='star').get_text('/',strip=True)
            if each.find('span',class_='inq'):#注意有部电影没有总结，也就没有标签这里用if检测一下防止None使用string方法报错
                quote = each.find('span', class_='inq').string
            else:
                quote = '没有总结哦'
            print([img_url,title,actor,type_,score,quote])

            try:#到最后一页时没有下一页按钮，会报TypeError，这时用try语句让url=None使while循环停止
                url = 'https://movie.douban.com/top250' + soup.find('span',class_='next').a['href']
            except TypeError:
                url = None