[python爬蟲] BeautifulSoup和Selenium對比爬取豆瓣Top250電影資訊

        這篇文章主要對比BeautifulSoup和Selenium爬取豆瓣Top250電影資訊，兩種方法從本質上都是一樣的，都是通過分析網頁的DOM樹結構進行元素定位，再定向爬取具體的電影資訊，通過程式碼的對比，你可以進一步加深Python爬蟲的印象。同時，文章給出了我以前關於爬蟲的基礎知識介紹，方便新手進行學習。
        總之，希望文章對你有所幫助，如果存在不錯或者錯誤的地方，還請海涵~

一. DOM樹結構分析

        豆瓣Top250電影網址：https://movie.douban.com/top250?format=text
        通過右鍵Chrome瀏覽器"審查元素"或"檢查"可以定位具體的元素，如下圖所示：

        圖中由一部部電影構成，在HTML中對應：
        <li><div class="item">......</div></li>
        BeautifulSoup 通過 soup.find_all(attrs={"class":"item"}) 函式可以獲取具體的資訊，然後再定位具體內容，如 <span class="title">獲取標題，<div class="star">獲取分數和評價數。

        下一步需要注意的是，定位爬取網頁元素還需要進行翻頁，通常有兩種方法：
        1.點選下一頁分析URL網址進行分析它們之間的規律；
        2.Selenium可以獲取頁碼按鈕進行自動點選跳轉。
        如下圖所示，點選不同頁碼後分析URL：

        第2頁URL：https://movie.douban.com/top250?start=25&filter=
        第3頁URL：https://movie.douban.com/top250?start=50&filter=
        所以每頁共25部電影，它們是存在規律的，再寫一個迴圈即可獲取所有電影資訊。

二. BeautifulSoup爬取豆瓣資訊

        入門推薦我的前文：[python知識] 爬蟲知識之BeautifulSoup庫安裝及簡單介紹
        具體程式碼如下：

# -*- coding: utf-8 -*-
"""
Created on 2016-12-29 22:50

@author: Easstmount
"""

import urllib2 
import re 
from bs4 import BeautifulSoup
import codecs

#爬蟲函式
def crawl(url):
    page = urllib2.urlopen(url) 
    contents = page.read() 
    soup = BeautifulSoup(contents, "html.parser") 
    print u'豆瓣電影250: 序號 \t影片名\t 評分 \t評價人數'
    infofile.write(u"豆瓣電影250: 序號 \t影片名\t 評分 \t評價人數\r\n")
    print u'爬取資訊如下:\n'
    for tag in soup.find_all(attrs={"class":"item"}):
        #print tag
        #爬取序號
        num = tag.find('em').get_text()
        print num   
        #爬取電影名稱
        name = tag.find(attrs={"class":"hd"}).a.get_text()
        name = name.replace('\n',' ')
        print name
        infofile.write(num+" "+name+"\r\n")
        #電影名稱
        title = tag.find_all(attrs={"class":"title"})
        i = 0
        for n in title:
            text = n.get_text()
            text = text.replace('/','')
            text = text.lstrip()
            if i==0:
                print u'[中文標題]', text
                infofile.write(u"[中文標題]" + text + "\r\n")
            elif i==1:
                print u'[英文標題]', text
                infofile.write(u"[英文標題]" + text + "\r\n")
            i = i + 1
        #爬取評分和評論數
        info = tag.find(attrs={"class":"star"}).get_text()
        info = info.replace('\n',' ')
        info = info.lstrip()
        print info
        mode = re.compile(r'\d+\.?\d*')
        print mode.findall(info)
        i = 0
        for n in mode.findall(info):
            if i==0:
                print u'[分數]', n
                infofile.write(u"[分數]" + n + "\r\n")
            elif i==1:
                print u'[評論]', n
                infofile.write(u"[評論]" + n + "\r\n")
            i = i + 1
        #獲取評語
        info = tag.find(attrs={"class":"inq"})
        if(info): # 132部電影 [消失的愛人] 沒有影評
            content = info.get_text()
            print u'[影評]', content
            infofile.write(u"[影評]" + content + "\r\n")
        print ''
        
        
#主函式
if __name__ == '__main__':
    
    infofile = codecs.open("Result_Douban.txt", 'a', 'utf-8')     
    url = 'http://movie.douban.com/top250?format=text'
    i = 0
    while i<10:
        print u'頁碼', (i+1)
        num = i*25 #每次顯示25部 URL序號按25增加
        url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='
        crawl(url)
        infofile.write("\r\n\r\n\r\n")
        i = i + 1
    infofile.close()

        輸出結果如下所示：

豆瓣電影250: 序號 	影片名	 評分 	評價人數
1  肖申克的救贖  / The Shawshank Redemption  / 月黑高飛(港)  /  刺激1995(臺) 
[中文標題]肖申克的救贖
[英文標題]The Shawshank Redemption
[分數]9.6
[評論]761249
[影評]希望讓人自由。
2  這個殺手不太冷  / Léon  / 殺手萊昂  /  終極追殺令(臺) 
[中文標題]這個殺手不太冷
[英文標題]Léon
[分數]9.4
[評論]731250
[影評]怪蜀黍和小蘿莉不得不說的故事。
3  霸王別姬  / 再見，我的妾  /  Farewell My Concubine 
[中文標題]霸王別姬
[分數]9.5
[評論]535808
[影評]風華絕代。
4  阿甘正傳  / Forrest Gump  / 福雷斯特·岡普 
[中文標題]阿甘正傳
[英文標題]Forrest Gump
[分數]9.4
[評論]633434
[影評]一部美國近現代史。
5  美麗人生  / La vita è bella  / 一個快樂的傳說(港)  /  Life Is Beautiful 
[中文標題]美麗人生
[英文標題]La vita è bella
[分數]9.5
[評論]364132
[影評]最美的謊言。
6  千與千尋  / 千と千尋の神隠し  / 神隱少女(臺)  /  Spirited Away 
[中文標題]千與千尋
[英文標題]千と千尋の神隠し
[分數]9.2
[評論]584559
[影評]最好的宮崎駿，最好的久石讓。 

        同時輸出檔案Reseult_Douban.txt，如下圖所示：

三. Selenium爬取豆瓣資訊及Chrome爬蟲介紹

        入門推薦我的前文：[Python爬蟲] Selenium自動登入和Locating Elements介紹
        程式碼如下所示：

# -*- coding: utf-8 -*-
"""
Created on 2016-12-29 22:50

@author: Easstmount
"""

import time              
import re              
import sys    
import codecs    
import urllib   
from selenium import webdriver          
from selenium.webdriver.common.keys import Keys          


#爬蟲函式
def crawl(url):
    driver.get(url)
    print u'豆瓣電影250: 序號 \t影片名\t 評分 \t評價人數'
    infofile.write(u"豆瓣電影250: 序號 \t影片名\t 評分 \t評價人數\r\n")
    print u'爬取資訊如下:\n'
    content = driver.find_elements_by_xpath("//div[@class='item']") 
    for tag in content:
        print tag.text
        infofile.write(tag.text+"\r\n")
        print ''
        
    
#主函式
if __name__ == '__main__':

    driver = webdriver.Firefox()
    infofile = codecs.open("Result_Douban.txt", 'a', 'utf-8')     
    url = 'http://movie.douban.com/top250?format=text'
    i = 0
    while i<10:
        print u'頁碼', (i+1)
        num = i*25 #每次顯示25部 URL序號按25增加
        url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='
        crawl(url)
        infofile.write("\r\n\r\n\r\n")
        i = i + 1
    infofile.close()

        該部分程式碼會自動呼叫Firefox瀏覽器，然後爬取內容。呼叫如下所示：


        同時，也可以爬取檔案如下圖所示，也可以再定向分析具體的節點，其方式方法也是類似的。

        呼叫Chrome瀏覽器需要在：
        C:\Program Files (x86)\Google\Chrome\Application
        路徑下放置一個 chromedriver.exe 驅動檔案，再進行呼叫。核心程式碼：

    chromedriver = "C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe"
    os.environ["webdriver.chrome.driver"] = chromedriver
    driver = webdriver.Chrome(chromedriver)

        但是可能會報錯如下所示，需要保持版本一致。

        總結下兩個程式碼的優缺點：BeautifulSoup比較快速，結構更加完善，但爬取如CSDN等部落格會報錯Forbidden；而Selenium可以呼叫瀏覽器進行爬取，自動化操作及動態操作，點選滑鼠鍵盤等按鈕比較方便，但其速度比較慢，尤其是重複的呼叫瀏覽器。

        最近年尾學院事情太多了，所以很少有定量的時間進行寫部落格，這其實挺悲傷的，但幸運的是遇見了她，讓我在百忙之中還是體會到了一些甜蜜，陪著我工作。
        無需多言，彼此的心意一言一行裡都能感受到愛意和溫暖，follow you~
        (By:Eastmount 2016-12-30 晚上12點半  http://blog.csdn.net/eastmount/ )