AI 助理
备案控制台
开发者社区 开发与运维 文章 正文

Python爬虫实战：利用代理IP爬取某瓣电影排行榜并写入Excel（附上完整源码）

2023-07-26 324
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Python爬虫实战：利用代理IP爬取某瓣电影排行榜并写入Excel（附上完整源码）

1. 爬虫和代理IP的关系

爬虫是指通过编写程序自动获取互联网上的信息的技术。爬虫可以模拟人的行为，在网页上浏览、点击、输入数据等，从而获取网页上的各种信息，如文本、图片、视频等。爬虫可以用于各种目的，如搜索引擎的索引、数据分析、信息监测等。

代理IP是指通过中间服务器转发网络请求的技术。在爬虫中，使用代理IP可以隐藏真实的访问源，防止被目标网站封禁或限制访问。代理IP可以分为正向代理和反向代理。正向代理是由客户端主动使用代理服务器来访问目标网站，而反向代理是目标网站使用代理服务器来处理客户端的请求。

图片.png

2. 使用代理IP的好处

使用代理IP可以带来以下好处：

  1. 隐藏真实的访问源，保护个人或机构的隐私和安全。
  2. 绕过目标网站的访问限制，如IP封禁、地区限制等。
  3. 分散访问压力，提高爬取效率和稳定性。
  4. 收集不同地区或代理服务器上的数据，用于数据分析和对比。

然而，使用代理IP也存在一些挑战和注意事项：

  1. 代理IP的质量参差不齐，有些代理服务器可能不稳定、速度慢或存在安全风险。
  2. 一些目标网站会检测和封禁常用的代理IP，需要不断更换和验证代理IP的可用性。
  3. 使用代理IP可能增加网络请求的延迟和复杂性，需要合理配置和调整爬虫程序。
  4. 使用代理IP需要遵守相关法律法规和目标网站的使用规则，不得进行非法活动或滥用代理IP服务。

博主这里使用的亮数据家的动态代理IP，IP质量很高个人感觉还不错，公司用户可以免费使用：点击试用

图片.png

3. 爬取目标

这次爬虫实战的目标是某瓣电影Top250排行榜，爬取的字段：排名、电影名、评分、评价人数、制片国家、电影类型、上映时间、主演、影片链接

图片.png

预期效果写入Excel：
图片.png

4. 准备工作

Python：3.10

编辑器：PyCharm

第三方模块，自行安装：

pip install requests # 网页数据爬取
pip install pandas # 数据处理
pip install xlwt # 写入Excel
pip install lxml # 提取网页数据

5. 爬虫实现

5.1 获取代理IP

1、打开亮数据的官网，点击立刻使用：点击试用

图片.png

2、输入账号密码注册账号：

图片.png

3、注册后以后点击查看代理IP产品：

图片.png

4、选择适合自己ide产品，如果你使用公司邮件注册，可以找客服开通免费试用：

图片.png

5、获取代理IP后通过proxies参数添加代理发送请求，案例代码：

proxies = {
  "http": "http://IP地址:端口号",   # http型
  "https": "https://IP地址:端口号"   # https型
}
response = requests.get(url,headers=headers,proxies=proxies)

5.2 导入模块

import re # 正则，用于提取字符串
import pandas as pd # pandas，用于写入Excel文件
import requests  # python基础爬虫库
from lxml import etree  # 可以将网页转换为Elements对象
import time  # 防止爬取过快可以睡眠一秒

5.3 设置翻页

首先我们来分析一下网站的翻页，一共有10页：

图片.png

第一页主页为：

https://movie.douban.com/top250?start=0&filter=

第二页：

https://movie.douban.com/top250?start=25&filter=

第三页：

https://movie.douban.com/top250?start=50&filter=

可以看出每页只有start=后面的参数每次上涨25，所以用循环来构造10页网页链接：

def main():
    data_list = [] # 空列表用于存储每页获取到的数据
    for i in range(10):
        url = 'https://movie.douban.com/top250?start='+str(i*25)+'&filter='

5.4 发送请求

这里我们创建一个get_html_str(url)函数传入网页url链接，通过添加请求头和代理IP发送请求获取网页源码（注意：这里代理IP这里需要看5.1 获取代理IP自己去获取，博主的已过期）：

def get_html_str(url):
    """发送请求，获取响应"""
    # 请求头模拟浏览器
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}

    # 添加代理IP（这里代理IP这里需要看`5.1 获取代理IP`自己去获取，博主的已过期）
    proxies = {
        "http": "http://183.134.17.12:9181",
    }
    # 添加请求头和代理IP发送请求
    response = requests.get(url,headers=headers,proxies=proxies)
    # 获取网页源码
    html_str = response.content.decode()
    # 返回网页源码
    return html_str

5.5 提取数据

当我们拿到网页源码后，创建一个get_data(html_str,data_list)函数传入html_str也就是网页源码、data_list用于存储数据，就可以使用xpath开始解析数据了

1、分析网页结构，可以看到每一个电影都在ol标签下的li标签下：

图片.png

2、然后我们看li标签的数据是否完整，可以看到我们需要的字段都有：

图片.png

3、接下来开始写解析代码：

def get_data(html_str, data_list):
    """提取数据写入列表"""
    # 将html字符串转换为etree对象方便后面使用xpath进行解析
    html_data = etree.HTML(html_str)
    # 利用xpath取到所有的li标签
    li_list = html_data.xpath("//ol[@class='grid_view']/li")
    # 打印一下li标签个数看是否和一页的电影个数对得上
    print(len(li_list))  # 输出25，没有问题
    # 遍历li_list列表取到某一个电影的对象
    for li in li_list:
        # 用xpath获取每一个字段信息
        # 排名
        ranking = li.xpath(".//div[@class='pic']/em/text()")[0]
        # 电影名
        title = li.xpath(".//div[@class='hd']/a/span[1]/text()")[0]
        # 评分
        score = li.xpath(".//span[@class='rating_num']/text()")[0]
        # 评价人数
        evaluators_number = li.xpath(".//div[@class='star']/span[4]/text()")[0]
        evaluators_number = evaluators_number.replace('人评价', '')  # 将'人评价'替换为替换为空，更美观
        # 导演、主演
        str1 = li.xpath(".//div[@class='bd']/p[1]//text()")[0]
        # 利用正则提取导演名
        try:
            director = re.findall("导演: (.*?)主演", str1)[0]
            director = re.sub('\xa0', '', director)
        except:
            director = None
        # 利用正则提取主演
        try:
            performer = re.findall("主演: (.*)", str1)[0]
            performer = re.sub('\xa0', '', performer)
        except:
            performer = None
        # 上映时间、制片国家、电影类型都在这里标签下
        str2 = li.xpath(".//div[@class='bd']/p[1]//text()")[1]
        #
        try:
            # 通过斜杠进行分割
            str2_list = str2.split(' / ')
            # 年份
            year = re.sub('[\n ]', '', str2_list[0])
            # 制片国家
            country = str2_list[1]
            # 影片类型
            type = re.sub('[\n ]', '', str2_list[2])
        except:
            year = None
            country = None
            type = None
        url = li.xpath(".//div[@class='hd']/a/@href")[0]
        print({'排名': ranking, '电影名': title, '评分': score, '评价人数': evaluators_number, '导演': director,
               '主演': performer, '年份': year, '制片国家': country, '影片类型': type, '影片主页链接': url})
        data_list.append(
            {'排名': ranking, '电影名': title, '评分': score, '评价人数': evaluators_number, '导演': director,
             '主演': performer, '年份': year, '制片国家': country, '影片类型': type, '影片主页链接': url})

运行结果：

图片.png

5.6 保存数据

当我们提取完数据以后就可以写入用pandas写入Excel表格中，创建into_excel(data_list)函数，将存储数据的data_list列表作为参数传入，然后用pandas的to_excel函数写入excel表格：

def into_excel(data_list):
    # 创建DataFrame对象
    df = pd.DataFrame(data_list)
    # 写入excel文件
    df.to_excel('电影Top250排行.xlsx')

5.7 调用主函数

第一步设置翻页，然后获取网页源码，接着提取数据，限制爬取的速度，最后写入Excel文件

def main():
    data_list = []  # 空列表用于存储每页获取到的数据
    # 1. 设置翻页
    for i in range(10):
        url = 'https://movie.douban.com/top250?start=' + str(i * 25) + '&filter='
        # 2. 获取网页源码
        html_str = get_html_str(url)
        # 3. 提取数据
        get_data(html_str, data_list)
        # 4. 限制爬取的速度
        time.sleep(5)
    # 5. 写入excel
    into_excel(data_list)

5.8 完整源码

这里附上完整源码（注意：get_html_str(url)函数中的代理IP这里需要看5.1 获取代理IP自己去获取，博主的已过期），然后直接运行程序即可：

import re # 正则，用于提取字符串
import pandas as pd # pandas，用于写入Excel文件
import requests  # python基础爬虫库
from lxml import etree  # 可以将网页转换为Elements对象
import time  # 防止爬取过快可以睡眠一秒


def get_html_str(url):
    """发送请求，获取响应"""
    # 请求头模拟浏览器
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}

    # 添加代理IP（这里代理IP这里需要看`5.1 获取代理IP`自己去获取，博主的已过期）
    proxies = {
        "http": "http://183.134.17.12:9181",
    }
    # 添加请求头和代理IP发送请求
    response = requests.get(url, headers=headers, proxies=proxies)  #
    # 获取网页源码
    html_str = response.content.decode()
    # 返回网页源码
    return html_str


def get_data(html_str, data_list):
    """提取数据写入列表"""
    # 将html字符串转换为etree对象方便后面使用xpath进行解析
    html_data = etree.HTML(html_str)
    # 利用xpath取到所有的li标签
    li_list = html_data.xpath("//ol[@class='grid_view']/li")
    # 打印一下li标签个数看是否和一页的电影个数对得上
    print(len(li_list))  # 输出25，没有问题
    # 遍历li_list列表取到某一个电影的对象
    for li in li_list:
        # 用xpath获取每一个字段信息
        # 排名
        ranking = li.xpath(".//div[@class='pic']/em/text()")[0]
        # 电影名
        title = li.xpath(".//div[@class='hd']/a/span[1]/text()")[0]
        # 评分
        score = li.xpath(".//span[@class='rating_num']/text()")[0]
        # 评价人数
        evaluators_number = li.xpath(".//div[@class='star']/span[4]/text()")[0]
        evaluators_number = evaluators_number.replace('人评价', '')  # 将'人评价'替换为替换为空，更美观
        # 导演、主演
        str1 = li.xpath(".//div[@class='bd']/p[1]//text()")[0]
        # 利用正则提取导演名
        try:
            director = re.findall("导演: (.*?)主演", str1)[0]
            director = re.sub('\xa0', '', director)
        except:
            director = None
        # 利用正则提取主演
        try:
            performer = re.findall("主演: (.*)", str1)[0]
            performer = re.sub('\xa0', '', performer)
        except:
            performer = None
        # 上映时间、制片国家、电影类型都在这里标签下
        str2 = li.xpath(".//div[@class='bd']/p[1]//text()")[1]
        #
        try:
            # 通过斜杠进行分割
            str2_list = str2.split(' / ')
            # 年份
            year = re.sub('[\n ]', '', str2_list[0])
            # 制片国家
            country = str2_list[1]
            # 影片类型
            type = re.sub('[\n ]', '', str2_list[2])
        except:
            year = None
            country = None
            type = None
        url = li.xpath(".//div[@class='hd']/a/@href")[0]
        print({'排名': ranking, '电影名': title, '评分': score, '评价人数': evaluators_number, '导演': director,
               '主演': performer, '年份': year, '制片国家': country, '影片类型': type, '影片主页链接': url})
        data_list.append(
            {'排名': ranking, '电影名': title, '评分': score, '评价人数': evaluators_number, '导演': director,
             '主演': performer, '年份': year, '制片国家': country, '影片类型': type, '影片主页链接': url})


def into_excel(data_list):
    # 创建DataFrame对象
    df = pd.DataFrame(data_list)
    # 写入excel文件
    df.to_excel('电影Top250排行.xlsx')


def main():
    data_list = []  # 空列表用于存储每页获取到的数据
    # 1. 设置翻页
    for i in range(10):
        url = 'https://movie.douban.com/top250?start=' + str(i * 25) + '&filter='
        # 2. 获取网页源码
        html_str = get_html_str(url)
        # 3. 提取数据
        get_data(html_str, data_list)
        # 4. 限制爬取的速度
        time.sleep(5)
    # 5. 写入excel
    into_excel(data_list)


if __name__ == "__main__":
    main()

程序运行完毕后生成excel文件：

图片.png

6. 获取免费定制数据

上面我们讲了如何利用Python爬虫获取数据，博主估摸着还是有很多小伙伴不知道怎么写爬虫代码，博主使用亮数据代理IP时偶然发现竟然还有免费的数据集可以下载，不会爬虫和想偷懒的小伙伴可以省事了：

1、进入亮数据官网，点击网络数据，然后点击获取获取免费样本：点击免费领取
图片.png

2、输入好个人信息和需要的数据集名称后，点击提交：

图片.png

3、然后等着客服免费送数据集就可以啦，欧耶：

图片.png

文章标签：
云解析DNS
Python
开发工具
数据挖掘
搜索推荐
数据采集
索引
IDE
安全
存储
关键词：
Python源码
Python爬虫
Python实战
爬虫实战
Python电影
袁袁袁袁满
目录
相关文章
站大爷
|
2月前
|
数据采集 存储 Web App开发
Python爬虫库性能与选型实战指南：从需求到落地的全链路解析
本文深入解析Python爬虫库的性能与选型策略，涵盖需求分析、技术评估与实战案例，助你构建高效稳定的数据采集系统。
站大爷
252 0
小白学大数据
|
3月前
|
数据采集 存储 监控
Python爬虫实战：批量下载亚马逊商品图片
Python爬虫实战：批量下载亚马逊商品图片
小白学大数据
169 0
站大爷
|
3月前
|
数据采集 机器学习/深度学习 边缘计算
Python爬虫动态IP代理报错全解析：从问题定位到实战优化
本文详解爬虫代理设置常见报错场景及解决方案，涵盖IP失效、403封禁、性能瓶颈等问题，提供动态IP代理的12种核心处理方案及完整代码实现，助力提升爬虫系统稳定性。
站大爷
199 0
站大爷
|
4月前
|
数据采集 网络协议 前端开发
Python多线程爬虫模板：从原理到实战的完整指南
多线程爬虫通过并发请求大幅提升数据采集效率，适用于大规模网页抓取。本文详解其原理与实现，涵盖任务队列、线程池、会话保持、异常处理、反爬对抗等核心技术，并提供可扩展的Python模板代码，助力高效稳定的数据采集实践。
站大爷
190 0
土木林森
|
11月前
|
数据采集 存储 JSON
Python网络爬虫：Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理，以及存储爬取的数据。通过具体示例，帮助读者掌握Scrapy的核心功能和使用方法，提升数据采集效率。
土木林森
437 6
站大爷
|
5月前
|
数据采集 人工智能 边缘计算
爬虫IP代理效率优化：策略解析与实战案例
本文深入探讨了分布式爬虫中代理池效率优化的关键问题。首先分析了代理效率瓶颈的根源，包括不同类型代理的特点、连接耗时及IP失效问题。接着提出了六大核心优化策略：智能IP轮换矩阵、连接复用优化、动态指纹伪装、智能重试机制等，并结合电商价格监控、社交媒体舆情分析和金融数据抓取三个实战案例，展示了优化效果。同时建立了三维效率评估体系，从质量、成本和稳定性全面衡量性能。最后展望了AI驱动调度、边缘计算融合等未来演进方向，帮助爬虫系统实现从“暴力采集”到“智能获取”的进化，大幅提升效率并降低成本。
站大爷
151 0
站大爷
|
6月前
|
数据采集 存储 缓存
Python爬虫与代理IP：高效抓取数据的实战指南
在数据驱动的时代，网络爬虫是获取信息的重要工具。本文详解如何用Python结合代理IP抓取数据：从基础概念（爬虫原理与代理作用）到环境搭建（核心库与代理选择），再到实战步骤（单线程、多线程及Scrapy框架应用）。同时探讨反爬策略、数据处理与存储，并强调伦理与法律边界。最后分享性能优化技巧，助您高效抓取公开数据，实现技术与伦理的平衡。
站大爷
241 4
金牛座Tina15579030501
|
7月前
|
数据采集 XML 存储
Python爬虫实战：一键采集电商数据，掌握市场动态！
这个爬虫还挺实用，不光能爬电商数据，改改解析规则，啥数据都能爬。写爬虫最重要的是要有耐心，遇到问题别着急，慢慢调试就成。代码写好了，运行起来那叫一个爽，分分钟几千条数据到手。
金牛座Tina15579030501
418 7
爬虫工程师Azeroth
|
7月前
|
数据采集 存储 安全
Python爬虫实战：利用短效代理IP爬取京东母婴纸尿裤数据，多线程池并行处理方案详解
本文分享了一套结合青果网络短效代理IP和多线程池技术的电商数据爬取方案，针对京东母婴纸尿裤类目商品信息进行高效采集。通过动态代理IP规避访问限制，利用多线程提升抓取效率，同时确保数据采集的安全性和合法性。方案详细介绍了爬虫开发步骤、网页结构分析及代码实现，适用于大规模电商数据采集场景。
爬虫工程师Azeroth
277 0
小白学大数据
|
8月前
|
存储 数据采集 数据库
Python爬虫实战：股票分时数据抓取与存储
Python爬虫实战：股票分时数据抓取与存储
小白学大数据
832 5

热门文章

最新文章

  • 1
    Python采集淘宝评论API接口及JSON数据返回全流程指南
  • 2
    VVIC seller_search 排行榜搜索接口深度分析及 Python 实现
  • 3
    Python脚本转EXE文件实战指南：从原理到操作全解析
  • 4
    Amazon item_review 商品评论接口深度分析及 Python 实现
  • 5
    热门小游戏源码（Python+PHP）下载-微信小程序游戏源码Unity发实战指南​
  • 6
    Python f-string：高效字符串格式化的艺术
  • 7
    如何使用LangChain的Python库结合DeepSeek进行多轮次对话？
  • 8
    Python列表推导式：简洁与高效的艺术
  • 9
    Python中的f-string：高效字符串格式化的利器
  • 10
    阿里巴巴 item_review 接口深度分析及 Python 实现
  • 1
    MaxCompute操作报错合集之在本地用tunnel命令上传excel表格到mc遇到报错： tunnel upload C:\Users***\Desktop\a.xlsx mc里的非分区表名 -s false;该怎么办
    169
  • 2
    深入解析力扣171题：Excel表列序号（进制转换法详解及模拟面试问答）
    127
  • 3
    深入解析力扣168题：Excel表列名称（进制转换法详解及模拟面试问答）
    97
  • 4
    《手把手教你》系列技巧篇（六十八）-java+ selenium自动化测试 - 读写excel文件 - 下篇（详细教程）
    106
  • 5
    《手把手教你》系列技巧篇（六十七）-java+ selenium自动化测试 - 读写excel文件 - 中篇（详细教程）
    137
  • 6
    【C#】C#读写Excel文件
    373
  • 7
    《手把手教你》系列技巧篇（六十六）-java+ selenium自动化测试 - 读写excel文件 - 上篇（详细教程）
    153
  • 8
    react框架对Excel文件进行上传和导出
    245
  • 9
    React实现一个excel文件导出
    171
  • 10
    excel表格sql数据库
    303

    • 相关课程

    更多
  • Python Web开发基础
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 推荐镜像

    更多
  • python-release
    • 下一篇
    2025云栖大会，阿里云百炼邀请您的参与和见证