爬取豆瓣电影 Top250

爬虫是标配了,看数据那一刻很有趣。第一个就从最最最简单最基础的爬虫开始写起吧!

项目地址:https://github.com/go-crawler...

目标

我们的目标站点是 豆瓣电影 Top250,估计大家都很眼熟了

本次爬取8个字段,用于简单的概括分析。具体的字段如下:

简单的分析一下目标源

• 一页共25条
• 含分页(共10页)且分页规则是正常的
• 每一项的数据字段排序都是规则且不变

开始

由于量不大,我们的爬取步骤如下

• 分析页面,获取所有的分页
• 分析页面,循环爬取所有页面的电影信息
• 爬取的电影信息入库

安装

$ go get -u github.com/PuerkitoBio/goquery

运行

$ go run main.go

代码片段

1、获取所有分页

func ParsePages(doc *goquery.Document) (pages []Page) {
 pages = append(pages, Page{Page: 1, Url: ""})
 doc.Find("#content > div > div.article > div.paginator > a").Each(func(i int, s *goquery.Selection) {
 page, _ := strconv.Atoi(s.Text())
 url, _ := s.Attr("href")
 pages = append(pages, Page{
 Page: page,
 Url: url,
 })
 })
 return pages
}

2、分析豆瓣电影信息

func ParseMovies(doc *goquery.Document) (movies []Movie) {
 doc.Find("#content > div > div.article > ol > li").Each(func(i int, s *goquery.Selection) {
 title := s.Find(".hd a span").Eq(0).Text()
 ...
 movieDesc := strings.Split(DescInfo[1], "/")
 year := strings.TrimSpace(movieDesc[0])
 area := strings.TrimSpace(movieDesc[1])
 tag := strings.TrimSpace(movieDesc[2])
 star := s.Find(".bd .star .rating_num").Text()
 comment := strings.TrimSpace(s.Find(".bd .star span").Eq(3).Text())
 compile := regexp.MustCompile("[0-9]")
 comment = strings.Join(compile.FindAllString(comment, -1), "")
 quote := s.Find(".quote .inq").Text()
 ...
 log.Printf("i: %d, movie: %v", i, movie)
 movies = append(movies, movie)
 })
 return movies
}

数据

看到这些数据,你有什么想法呢,真是好奇 :=)

本文来自:Segmentfault

感谢作者:煎鱼

查看原文:Golang爬虫 爬取豆瓣电影 Top250

• 编辑
• 预览