如何用Python高效爬取豆瓣电影动态网页JSON数据？

本文共计537个文字，预计阅读时间需要3分钟。

长时间没有更新Python相关内容了，这个专题主要介绍Python在爬虫方面的应用，包括爬取和处理部分。第二节课我们将介绍如何爬取动态网页。动态网页指的是网页内容通过JavaScript动态加载的网页。

好久没更新Python相关的内容了这个专题主要说的是Python在爬虫方面的应用包括爬取和处理部分第二节我们介绍如何爬取动态网页动态网页指的是网页的

好久没更新Python相关的内容了这个专题主要说的是Python在爬虫方面的应用包括爬取和处理部分

第二节我们介绍如何爬取动态网页

动态网页指的是网页的内容通过js动态加载出来的

我们可以直接使用一些开发者工具查看

这里我采用谷歌浏览器的开发者工具

开发环境

操作系统:windows 10

Python版本 :3.6

爬取网页模块:requests

分析网页模块:json

模块安装

pip3 install requests

网页分析

我们使用豆瓣电影的页面来开始分析

movie.douban.com/explore#!typemovie%E7%83%AD%E9%97%A8recommend200

由于是动态加载的我们这里无法直接通过get方法获取网页内容

当我们点击加载更多时可以通过开发者工具 Network选项中的XHR 来获取动态加载的js

打开获取到的连接

movie.douban.com/j/search_subjects?typemovie%E7%83%AD%E9%97%A8recommend2020

我们可以发现连接的规律即page_limit和page_start

可以看到打开的内容为json格式

这里我们构造一个连接让它从第一个电影开始并显示100个

movie.douban.com/j/search_subjects?typemovie%E7%83%AD%E9%97%A8recommend1000

对于JSON的解析我们可以先用一个在线的网站来查看

jsonformatter.curiousconcept.com/

这里可以看到包含了如下信息

评分

电影名称

电影的豆瓣链接

封面地址

代码介绍

这里逐行介绍代码

1. import相关的模块

import requestsimport json

2. 使用request模块打开并获取网页内容

r requests.get(url,verifyFalse)contentr.content

3. 使用json.load将json格式转换为python的字典格式

这时就可以使用字典的相关方法来处理网页了

resultjson.loads(content)tvsresult[subjects]

4. 获取相关信息并存入字典中

执行结果

我们可以选择将获取到的数据放入数据库中

源码位置