python requests库爬取豆瓣电视剧数据并保存到本地详解

首先要做的就是去豆瓣网找对应的接口，这里就不赘述了，谷歌浏览器抓包即可，然后要做的就是分析返回的json数据的结构：

https://movie.douban.com/j/search_subjects?type=tv&tag=％E5％9B％BD％E4％BA％A7％E5％89％A7&sort=recommend&page_limit=20&page_start=0

这是接口地址，可以大概的分析一下各个参数的规则：

• type=tv，表示的是电视剧的分类

• tag=国产剧，表示是国产剧的分类

• sort参数，这里猜测是一个排序方式

• page_limit=20，这个一定就是每页所存取的数据数量了

• page_start=0，表示的是这页从哪条数据开始，比如第二页就为page_start=20，第三页为page_start=40，以此类推

• 最终我们要用到的主要是page_start和page_limit两个参数

下面这里是返回的json数据格式，可以看出我们要的是json中subjects列表中的每条数据，在之后的程序中会把每一个电视剧的信息保存到文件里的一行

有了这些，就直接上程序了，因为感觉程序还是比较好懂，主要还是遵从面向对象的程序设计：

import json
import requests

class DoubanSpider(object):
 """爬取豆瓣热门国产电视剧的数据并保存到本地"""

def __init__(self):
   # url_temp中的start的值是动态的，所以这里用{}替换，方便后面使用format方法
   self.url_temp = 'https://movie.douban.com/j/search_subjects?type=tv&tag=％E5％9B％BD％E4％BA％A7％E5％89％A7&sort=recommend&page_limit=20&page_start={}'
   self.headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
   }

def pass_url(self, url): # 发送请求，获取响应
   print(url)
   response = requests.get(url, headers=self.headers)
   return response.content.decode()

def get_content_list(self, json_str): # 提取数据
   dict_ret = json.loads(json_str)
   content_list = dict_ret['subjects']
   return content_list

def save_content_list(self, content_list): # 保存
   with open('douban.txt', 'a', encoding='utf-8') as f:
     for content in content_list:
       f.write(json.dumps(content, ensure_ascii=False)) # 一部电视剧的信息一行
       f.write('\n') # 写入换行符进行换行
   print('保存成功！')

def run(self): # 实现主要逻辑
   num = 0
   while True:
     # 1. start_url
     url = self.url_temp.format(num)
     # 2. 发送请求，获取响应
     json_str = self.pass_url(url)
     # 3. 提取数据
     content_list = self.get_content_list(json_str)
     # 4. 保存
     self.save_content_list(content_list)
     if len(content_list) < 20:
       break
     # 5. 构造下一页url地址，进入循环
     num += 20 # 每一页有二十条数据

if __name__ == '__main__':
 douban_spider = DoubanSpider()
 douban_spider.run()

上面是利用循环遍历每一页，后来我又想到用递归也可以，虽然递归效率可能不高，这里还是展示一下，只需要改几个地方而已：

import json
import requests

class DoubanSpider(object):
 """爬取豆瓣热门国产电视剧的数据并保存到本地"""
 def __init__(self):
   # url_temp中的start的值是动态的，所以这里用{}替换，方便后面使用format方法
   self.url_temp = 'https://movie.douban.com/j/search_subjects?type=tv&tag=％E5％9B％BD％E4％BA％A7％E5％89％A7&sort=recommend&page_limit=20&page_start={}'
   self.headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
   }
   self.num = 0

def pass_url(self, url): # 发送请求，获取响应
   print(url)
   response = requests.get(url, headers=self.headers)
   return response.content.decode()

def get_content_list(self, json_str): # 提取数据
   dict_ret = json.loads(json_str)
   content_list = dict_ret['subjects']
   return content_list

def save_content_list(self, content_list): # 保存
   with open('douban2.txt', 'a', encoding='utf-8') as f:
     for content in content_list:
       f.write(json.dumps(content, ensure_ascii=False)) # 一部电视剧的信息一行
       f.write('\n') # 写入换行符进行换行
   print('保存成功！')

def run(self): # 实现主要逻辑
   # 1. start_url
   url = self.url_temp.format(self.num)
   # 2. 发送请求，获取响应
   json_str = self.pass_url(url)
   # 3. 提取数据
   content_list = self.get_content_list(json_str)
   # 4. 保存
   self.save_content_list(content_list)
   # 5. 构造下一页url地址，进入循环
   if len(content_list) == 20:
     self.num += 20 # 每一页有二十条数据
     self.run()

if __name__ == '__main__':
 douban_spider = DoubanSpider()
 douban_spider.run()

最终文件得到的结果：

来源：https://www.cnblogs.com/springionic/p/11107530.html