一、豆瓣音乐

今天爬的是豆瓣音乐top250，比较简单，主要是练练手。

1、加了请求头，本来没加，调试几次突然没数据了，加了请求头开始也没好，后来又好了，可能是网络原因； 2、这次是进入信息页爬的数据，上次爬电影没采用这种方法，缺少了部分数据； 3、数据的预处理用了很多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

1. import requests

2. import re

3. from bs4 import BeautifulSoup

4. import time

5. import pymongo

6. client = pymongo.MongoClient('localhost', 27017)

7. douban = client['douban']

8. musictop = douban['musictop']

9. headers = {

10.    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

11. }

12. urls = ['https://music.douban.com/top250?start={}'.format(str(i)) for i in range(0,250,25)]

13. def get_url_music(url):

14.    wb_data = requests.get(url,headers=headers)

15.    soup = BeautifulSoup(wb_data.text,'lxml')

16.    music_hrefs = soup.select('a.nbg')

17.    for music_href in music_hrefs:

18.        get_music_info(music_href['href'])

19.        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。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

1. import requests

2. import json

3. import math

4. def get_sup_info(url,page):

5.    params = {

6.        'ajaxtype':1,

7.        'page':page,

8.        'category':1,

9.        'pageSize':8

10.    }

11.    cookies = {

12.        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36',

13.        '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;

14.    }

15.    html = requests.post(url, data=params, headers=cookies)

16.    json_data = json.loads(html.text)

17.    des = json_data['des']

18.    for data in des:

19.        name = data['name']

20.        id = data['id']

21.        pay_count = data['pay_count']

22.        all_page = math.ceil(int(pay_count)/20)

23.        for i in range(1,int(all_page)+1):

24.            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，爬取结果如下：

代码片段

1. import requests

2. import re

3. from lxml import etree

4. import csv

5. def get_resource(url,cate_name,cate_url,movie_name):

6.    res = requests.get(url)

7.    res.encoding = 'gb2312'

8.    html = etree.HTML(res.text)

9.    movie_resource = html.xpath('//tbody//tr/td/a/text()')[0]

10.    writer.writerow((cate_name,cate_url,movie_name,url,movie_resource))

11.    print(movie_resource)

本文作者

罗攀

Python中文社区专栏作者，《从零开始学Python网络爬虫》图书作者、简书知名博主、Python网络爬虫专家

获取本文完整源代码方式：

长按扫描上方二维码报名课程后，

添加微信：pythonpost，回复“0110”免费获取