Python爬虫实战之豆瓣音乐、微打赏、阳光电影（附代码）

一、爬虫豆瓣音乐

今天爬的实战是豆瓣音乐top250，比较简单，瓣音主要是乐微练练手。

1、打赏电影加了请求头，阳光本来没加，附代调试几次突然没数据了，爬虫加了请求头开始也没好，实战后来又好了，瓣音可能是乐微网络原因；

2、这次是打赏电影进入信息页爬的数据，上次爬电影没采用这种方法，阳光缺少了部分数据；

3、附代数据的爬虫预处理用了很多if函数

数据分析

1、部分数据可以见上图

2、中国音乐作者还是很多的。

3、随着音乐设备和网络的普及，流行音乐的发展，可以看出2000年后作品越来越多，到2010年又积极下滑（经典就是网站模板经典，无法吐槽现在的音乐）

4、风格大家可以看出流行，摇滚，民谣占了一大半。

5、最后弄了一首周董的《不能说的秘密》做词云，想想小时候都是回忆啊。

代码片段

import requests import re from bs4 import BeautifulSoup import time import pymongo client = pymongo.MongoClient(localhost, 27017) douban = client[douban] musictop = douban[musictop] headers = {     User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36 } urls = [https://music.douban.com/top250?start={}.format(str(i)) for  i  in  range ( 0 , 250 , 25 )] def  get_url_music ( url ):     wb_data  =  requests . get ( url , headers = headers )     soup  =   BeautifulSoup ( wb_data . text , lxml )     music_hrefs  =  soup . select ( a.nbg ) for  music_href  in  music_hrefs :         get_music_info ( music_href [ href ])         time . sleep ( 2 )  

二、微打赏

网站分析

打开网站，翻页网页不变，看看是post的请求，很好办，直接把参数怼进去，这里只要切换page就能进行翻页。 

json格式，这里post返回的是json数据，解析json数据就行，小技巧：看preview，解析起来嗖嗖哒。这里需要提取活动的名称，id和参与打赏的人数。高防服务器这个后面详细页用的到。

 

详细页，依旧是post，依旧是json数据，这里的参数pro_id为之前的爬取的id，这一页20个信息，通过前面的参与打赏人数构造出有多少页，继续怼参数。 

代码片段 

import  requests import  json import  math def  get_sup_info (  url , page ):  params = {  ajaxtype : 1 ,           page : page ,           category : 1 ,           pageSize : 8     }   cookies = {          User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36 ,           Cookie: acw_tc=AQAAAKLQ3U/WTAYAggq7PZ24WOlm9vQW; PHPSESSID=r0nbvk7hppjftegk4fpt9cu535; _uab_collina=150094753858198811653567; mdswv=v1.0; mdsa=MD-STICS-5976a44746eca; mdss=6-o; mdsf=md; mdsff=www_so_com;     }     html = requests.post(url, data=params, headers=cookies)     json_data = json.loads(html.text)     des = json_data[ des ]     for data in des:         name = data[  name ]         id = data[ id ]         pay_count = data[ pay_count ]         all_page = math.ceil(int(pay_count)/20)         for i in range(1,int(all_page)+1):             get_app_info(i,id,name) 

三、阳光电影 

爬虫分析 

这里涉及跨页的爬取，需要理清爬虫的思路。首先打开网站，需爬取前11个分类的电影数据,经典影片格式不一样，爬虫时过滤掉了。

 

进入电影列表页后，正则爬取页数和电影的分类标签，以此构造分页url，然后爬取电影的名字和url。 

最后在详细页爬取电影的下载地址，b2b信息网爬取结果如下： 

 

代码片段 

import requests import re from lxml import etree import csv def get_resource(url,cate_name,cate_url,movie_name):     res = requests.get(url)        res.encoding = gb2312     html = etree.HTML(res.text)     movie_resource = html.xpath(//tbody//tr/td/a/text())[0]     writer.writerow((cate_name,cate_url,movie_name,url,movie_resource))         print(movie_resource)