爬取豆瓣电影top250提取电影分类进行数据分析
一、爬取网页，获取需要内容
我们今天要爬取的是豆瓣电影top250
页面如下所示：
我们需要的是里面的电影分类，通过查看源代码观察可以分析出我们需要的东西。直接进入主题吧！
知道我们需要的内容在哪里了，接下来就使用我们python强大的request库先获取网页内容下来吧！获取内容后，再使用一个好用的lxml库来分析网页内容，然后获取我们的内容就可以做下一步操作了。
先贴出使用request库和lxml分析的代码
| 12345678910111213141516171819 | def get_page(i): url = \’https://movie.douban.com/top250?start={}&filter=\’.format(i) html = requests.get(url).content.decode(\’utf-8\’) # 使用request库获取网页内容 selector = etree.HTML(html) # 使用lxml库提取内容 \’\’\’ 通过观察页面就能发现内容在 下的一部分 \’\’\’ content = selector.xpath(\’//div[@class=\”info\”]/div[@class=\”bd\”]/p/text()\’) print(content) for i in content[1::2]: print(str(i).strip().replace(\’\\n\\r\’, \’\’)) # print(str(i).split(\’/\’)) i = str(i).split(\’/\’) i = i[len(i) – 1] key = i.strip().replace(\’\\n\’, \’\’).split(\’ \’) # 这里的strip和replace的使用目的是去除空格和空行之类 print(key) |
下的一部分 ”’ content = selector.xpath(‘//div[@class=”info”]/div[@class=”bd”]/p/text()’) print(content) for i in content[1::2]: print(str(i).strip().replace(‘nr’, ”)) # print(str(i).split(‘/’)) i = str(i).split(‘/’) i = i[len(i) – 1] key = i.strip().replace(‘n’, ”).split(‘ ‘) # 这里的strip和replace的使用目的是去除空格和空行之类 print(key)通过获取下来的内容我们发现一部电影的各项内容都是用’/’分隔着，我们只需要提取电影分类中的东西，所以我们需要使用
| 1 | i = str(i).split(\’/\’) |
来把内容分隔成几项内容，因为电影分类排在最后，所以我们通过
| 1 | i = i[len(i) – 1] |
来获取分隔后的最后一项也就是我们需要的电影分类，还有最后一步我们需要完成的，因为一部电影里面一般都有多个电影分类的标签，所以我们还要继续分隔获取到的电影分类，并且观察可以知道电影分类之间只是用一个空格隔开，所以我们使用下面一行代码就可以分离出各个分类：
| 1 | key = i.strip().replace(\’\\n\’, \’\’).split(\’ \’) |
二、接下来就是保存到mysql数据库
把电影分类保存在mysql数据库以便下面进行数据分析，这里我们使用到pymysql来连接mysql数据库,首先我们需要在mysql数据库建好表：
然后我们通过pymysql把数据保存到数据库中，代码如下：
首先要连接数据库：
| 1234 | # 连接mysql数据库conn = pymysql.connect(host = \’localhost\’, user = \’root\’, passwd = \’2014081029\’, db = \’mysql\’, charset = \’utf8\’) # user为数据库的名字，passwd为数据库的密码，一般把要把字符集定义为utf8，不然存入数据库容易遇到编码问题cur = conn.cursor() # 获取操作游标cur.execute(\’use douban\’) # 使用douban这个数据库 |
在保存到数据库之前，我们还有一个需要做得，那就是把250部电影的分类汇总数量，所以我们定义了一个字典来统计电影分类的个数，这里的代码是get_page函数的一部分,代码如下：
| 123456789101112 | for i in content[1::2]: print(str(i).strip().replace(\’\\n\\r\’, \’\’)class=\”crayon-sy\”>).strip().replace(\’\\n\\r\’, \’\’)。直接进入主题吧！
知道我们需要的内容在哪里了，接下来就使用我们python强大的request库先获取网页内容下来吧！获取内容后，再使用一个好用的lxml库来分析网页内容，然后获取我们的内容就可以做下一步操作了。
下的一部分 ”’ content = selector.xpath(‘//div[@class=”info”]/div[@class=”bd”]/p/text()’) print(content) for i in content[1::2]: print(str(i).strip().replace(‘nr’, ”)) # print(str(i).split(‘/’)) i = str(i).split(‘/’) i = i[len(i) – 1] key = i.strip().replace(‘n’, ”).split(‘ ‘) # 这里的strip和replace的使用目的是去除空格和空行之类 print(key)通过获取下来的内容我们发现一部电影的各项内容都是用’/’分隔着，我们只需要提取电影分类中的东西，所以我们需要使用
二、接下来就是保存到mysql数据库把电影分类保存在mysql数据库以便下面进行数据分析，这里我们使用到pymysql来连接mysql数据库,首先我们需要在mysql数据库建好表：
然后我们通过pymysql把数据保存到数据库中，代码如下：
在保存到数据库之前，我们还有一个需要做得，那就是把250部电影的分类汇总数量，所以我们定义了一个字典来统计电影分类的个数，这里的代码是get_page函数的一部分,代码如下：
|
上一篇：Python 代码调试技巧
下一篇：python迭代器资料整理