【豆瓣】热门电影采集 | 您所在的位置:网站首页 › 豆瓣评分前100的电影 › 【豆瓣】热门电影采集 |
采集场景 在豆瓣电影首页(https://movie.douban.com/)输入关键词搜索,得到相关电影列表页。实例网址:https://search.douban.com/movie/subject_search?search_text=%E6%88%98%E7%8B%BC ,是输入关键词【战狼】后得到的电影列表页。然后点击电影链接,进入电影详情页,采集详情页数据。
采集字段 电影、导演、编剧、主演、制片国家/地区、语言、片长、类型、又名、剧情简介、评分、星级、五星占比、四星占比、三星占比、二星占比、一星占比、剧情简介、采集时间、页面网址等。
采集结果 采集结果可导出为Excel、CSV、HTML、数据库等多种格式。导出为Excel示例:
教程说明 本篇更新时间:2024/01/03 八爪鱼版本:V8.6.7 如果因网页改版造成网址或步骤无效,无法收集到目标数据,请联系官方客服,我们将及时修正。 采集步骤 步骤一:打开网页 步骤二、创建【循环翻页】,采集多页数据 步骤三、建立【循环列表】,提取所有电影标题 步骤四、点击电影链接,进入详情页 步骤五、提取详情页中的字段 步骤六、编辑字段 步骤七、启动采集
以下为具体步骤: 步骤一、打开网页
在首页【输入框】中输入目标网址 https://search.douban.com/movie/subject_search?search_text=%E6%88%98%E7%8B%BC ,点击【开始采集】,八爪鱼自动打开网页。
特别说明: a. 打开网页后,如果开始开始【自动识别】,请点击【不再自动识别】或【取消识别】将其关掉。因为本文不适合使用【自动识别】。 b. 【自动识别】适用于自动识别网页上的列表、滚动和翻页,识别成功后直接启动采集即可获取数据。详情点击查看 【自动识别】教程 c. 目标网址可根据需求,更换成自己需要的,结构与示例网址结构相同即可(在 https://movie.douban.com/ 中搜索关键词得到)。 步骤二、建立循环翻页
如果只是采集一页数据,可跳过此步骤。 如果需要翻页以采集多页数据:选择页面中的【后页>】按钮,在操作提示上单击【循环点击单个链接】,创建【循环翻页】。
特别说明: a. 创建【循环翻页】后,八爪鱼会自动点击【下一页】按钮进行翻页,从第1页,第2页......直到最后1页。如果只需采集特定页的数据,可在八爪鱼中设置循环翻页的次数,详情点击查看 翻页以采集多页数据教程。 步骤三、建立【循环列表】,提取所有电影标题
通过以下连续3步,提取所有电影标题 1、选中页面上1电影标题 2、在操作提示框中,点击【选中全部子元素】 3、在操作提示框中,点击【文本内容】
还可以选中关键词输入框,在提示框中选择【文本框内的值】,将搜索的关键词文本提取下来。 步骤四、点击电影链接,进入详情页
在当前电影列表中(在网页中用红色框框起来),选中电影标题,然后在操作提示框中点击【点击该链接】,点击后自动进入该电影详情页。
特别说明: a. 一定要在当前电影列表中选中电影标题做【点击该链接】,否则【点击元素】步骤无法与【循环】中的电影列表产生联动,会一直重复点击某一条电影链接,进入其详情页。 b. 如何找到当前电影列表?在【循环列表】中查看当前项(蓝色背景),然后点击【提取列表数据】,网页中被红色框框起来的就是当前电影列表。 步骤五、提取详情页中的字段
1、采集文本 进入详情页后,采集需要的字段。 文本类型的字段:选中页面中的文本,然后再选择【文本内容】。示例中提取了评分、星级占比等字段。
2、【导演】/【编剧】/【主演】字段 以【编剧】为例,一个电影一般有多个【编剧】,我们将多个【编剧】作为一个字段提取。 先选中其中一个编剧名,在操作提示框中,选择【文本内容】。 再点击目标字段后的 ... 按钮,选择【修改元素定位】,修改XPath为://span[contains(text(),'编剧')]/following-sibling::span 后保存。
特别说明: a. 默认生成的XPath无法精准定位到我们想要的字段,所以需要手动修改XPath。这里需要一定的XPath知识。点击查看 XPath学习与实例教程 。 b. 【导演】和【主演】的提取方法是是一样的,提取后都需改XPath。 【主演】字段XPath://span[contains(text(),'主演')]/following-sibling::span 【导演】字段XPath://span[contains(text(),'导演')]/following-sibling::span
3、【类型】字段 该字段比较特殊,经过特殊处理后才能提取下来。如果无需【类型】字段,可跳过此步骤。 如果需要采集,请按以下步骤操作:
① 选中类型字段所在的一整块区域,在提示框选择【outer html】 ② 点击目标字段后的 ... 按钮 → 【格式化数据】→【添加步骤】→【正则表达式替换】→ 输入【\s+】→【确定】 ③ 点击【添加步骤】→【正则表达式匹配】→ 输入【(? |
CopyRight 2018-2019 实验室设备网 版权所有 |