An open API service indexing awesome lists of open source software.

https://github.com/go-crawler/douban-movie

Golang爬虫 爬取豆瓣电影Top250
https://github.com/go-crawler/douban-movie

crawler douban go golang movie spider

Last synced: 5 months ago
JSON representation

Golang爬虫 爬取豆瓣电影Top250

Awesome Lists containing this project

README

          

# 爬取豆瓣电影 Top250

爬虫是标配了,第一个就从最最最简单的爬虫开始写起吧

## 目标

我们的目标站点是 [豆瓣电影 Top250](https://movie.douban.com/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:

![image](https://i.loli.net/2018/03/20/5ab11596b8810.png)

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
![image](https://i.loli.net/2018/03/21/5ab1309594741.png)

![image](https://i.loli.net/2018/03/21/5ab131ca582f8.png)

![image](https://i.loli.net/2018/03/21/5ab130d3a00d9.png)