豆瓣爬虫

最近在复习resqusts 爬虫模块，就重新写了一个豆瓣爬虫，这个网页从HTML
源码上来看是没有任何我想要的信息的，如下图所示：

这是网页视图，我在源码中查找影片信息，没有任何信息，如图：

由此我判断数据是通过js封装过的，于是开始抓包，包也不多，排除一下就能找到json的接口，从接口进去是这样的：

而这些就正是我想要的数据，这些数据包括评分，名字，链接等等，但是不是标准的json，而是被封装到了一个名为
subjects 的key中，所以提取数据的时候还需要多一步操作，把数据从subjects
中提取出来

开始构建带代码：

• 先构建run（）函数，搭建思路：

def run(self):  

    # 1.请求接口获取数据  

    response = self.get_page(self.start_url)  

    # 2.将数据格式化  

    result = self.data_wash(response)  

    # 3.写入mongodb  

    self.save_db(result)  

    # 4. 写入本地json保存

• 如此，基本的思路就清晰了，我只用按照这个思路一步步实现，就完成了。完整代码如下：

  import requests
  import json
  import pymongo
  class douBan:
      def __init__(self):
          self.client = pymongo.MongoClient()
          self.db = self.client.DouBan
  
          self.headers = {'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Mobile Safari/537.36'}
          self.start_url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=5050&page_start=0'
      def get_page(self,url):
          '''
  
          :param url: 请求地址
          :return: 返回response
          '''
          url = url
          response = requests.get(url,headers=self.headers).content.decode()
          return response
      def data_wash(self,response):
          ret = json.loads(response)
          ret =ret['subjects']
          print(type(ret))
          return ret
  
      def run(self):
          # 1.请求接口获取数据
          response = self.get_page(self.start_url)
          # 2.将数据格式化
          result = self.data_wash(response)
          # 3.写入mongodb
          self.save_db(result)
          # 4. 写入本地json保存
  
      def save_db(self,data):
          collection = self.db.Movie4
          with open('douban.json','w',encoding='utf-8') as f:
              f.write(json.dumps(data,ensure_ascii=False,indent=2))
              print('本地写入成功')
  
          ret = collection.insert_many(data)
          print(ret,"写入数据库成功")
  
  if __name__ == '__main__':
      douban = douBan()
      douban.run()
  

  ​

代码很简单，但功能是实现了。后期如果想爬取其他分类，只用在start
中修改就可以实现。代码会逐步完善。

结果如下：本地json 文件：

./media/image4.png

数据库端如下：