Python爬取TMDB电影数据:从登录到数据存储的全过程
在当今数据驱动的时代,获取电影数据对于推荐系统、市场分析和个人项目都至关重要。本文将详细介绍如何使用Python构建一个完整的TMDB(The Movie Database)爬虫,从登录认证到数据解析和存储的全过程。(本来博主也想在CSDN里面上白嫖结果没有一篇文章,然后......)
1. 项目概述
TMDB是一个广受欢迎的电影数据库网站,包含了丰富的电影信息、演员数据和用户评分。我们的目标是构建一个爬虫,能够:
-
自动登录TMDB账号
-
抓取电影列表页数据
-
深入获取每部电影的详细信息
-
将数据保存为结构化的JSON格式
2. 技术栈
-
Requests:处理HTTP请求和会话管理
-
BeautifulSoup:HTML解析和数据提取
-
正则表达式:辅助提取特定格式的数据
-
类型提示:提高代码可读性和可维护性
-
随机延时:模拟人类行为,避免被封禁
3. 核心代码解析
3.1 初始化与登录
class TMDBScraper:def __init__(self):self.base_url = "https://www.themoviedb.org"self.username = "eqwaak" # TMDB账号self.password = "xyx000" # TMDB密码self.session = requests.Session()# 设置请求头self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36...','Accept-Language': 'zh-CN,zh;q=0.9,zh-TW;q=0.8','Referer': 'https://www.themoviedb.org/','Origin': 'https://www.themoviedb.org'}self.session.headers.update(self.headers)self.request_delay = (1, 3)# 手动登录获取Cookieself._manual_login()
登录过程是爬虫的关键部分,TMDB采用了CSRF防护机制:
def _manual_login(self):# 获取登录页面以获取CSRF令牌login_url = f"{self.base_url}/login"login_page = self.session.get(login_url)soup = BeautifulSoup(login_page.text, 'html.parser')# 查找CSRF令牌csrf_token = soup.find('input', {'name': 'authenticity_token'}).get('value')# 准备登录数据login_data = {'username': self.username,'password': self.password,'authenticity_token': csrf_token,'remember': 'on','commit': 'Login'}# 提交登录请求login_response = self.session.post(login_url, data=login_data, allow_redirects=False)if login_response.status_code == 302 and 'session_id' in login_response.cookies:print("✅ 登录成功!")self._set_language('zh-CN')else:print("❌❌ 登录失败,尝试备用方法")self._fallback_login()
3.2 数据抓取与解析
电影列表页解析:
def parse_movie_list(self, html: str) -> List[Dict]:soup = BeautifulSoup(html, 'html.parser')cards = soup.select('.card.style_1')movies = []for card in cards:title = self._parse_text('h2', card)rating = self._parse_attribute('.user_score_chart', 'data-percent', card)year = self._parse_text('.release_date', card)href = self._parse_attribute('a', 'href', card, default="")# 提取海报图片URLposter_element = card.select_one('img.poster')poster_url = Noneif poster_element:poster_url = poster_element.get('src') or poster_element.get('data-src')if poster_url:poster_url = self._complete_url(poster_url)if title and href:movies.append({'title': title,'rating': rating,'year': year,'poster_url': poster_url,'detail_url': self.base_url + href + "?language=zh-CN"})return movies
电影详情页解析:
def parse_movie_details(self, html_content: str) -> Optional[Dict]:soup = BeautifulSoup(html_content, 'html.parser')# 获取标题和年份title = self._parse_text('.title h2 a', soup)year_info = self._extract_year(soup)details = {'title': title,'rating': self._parse_attribute('.user_score_chart', 'data-percent', soup) or "0",'year': year_info,'runtime': self._parse_text('.facts .runtime', soup) or "未知时长",'genres': [genre.get_text(strip=True) for genre in soup.select('.genres a')],'overview': self._parse_text('.overview p', soup) or "暂无简介",'cast': self._extract_cast(soup),'poster_url': self._extract_image_url(soup, '.poster img'),'backdrop_url': self._extract_image_url(soup, '.backdrop img')}return details
3.3 主运行逻辑
def run(self, max_pages: int = 2, save_path: str = 'tmdb_movies.json') -> None:all_movies = []# 抓取列表页for page in range(1, max_pages + 1):movies = self.fetch_page(f"{self.base_url}/movie", page)all_movies.extend(movies)time.sleep(random.uniform(2, 5))# 抓取详情页detailed_movies = []for movie in all_movies:detail_html = self._get_html(movie['detail_url'])if detail_html:details = self.parse_movie_details(detail_html)if details:detailed_movies.append(details)time.sleep(random.uniform(3, 6))# 保存数据with open(save_path, 'w', encoding='utf-8') as f:json.dump(detailed_movies, f, ensure_ascii=False, indent=2)
4. 关键技术与优化
4.1 反爬虫策略应对
-
请求头设置:模拟真实浏览器访问
-
随机延时:
time.sleep(random.uniform(2, 5))
避免频繁请求 -
会话保持:使用
requests.Session()
维持登录状态 -
CSRF处理:从页面提取并提交CSRF令牌
4.2 数据提取的健壮性
def _parse_text(self, selector: str, soup: BeautifulSoup) -> Optional[str]:"""通用文本解析方法"""element = soup.select_one(selector)return element.get_text(strip=True) if element else Nonedef _parse_attribute(self, selector: str, attr: str, soup: BeautifulSoup, default=None) -> Optional[str]:"""通用属性解析方法(带默认值)"""element = soup.select_one(selector)return element[attr] if element and attr in element.attrs else default
4.3 错误处理与日志
def _get_html(self, url: str) -> Optional[str]:"""内部请求方法(带重试机制和语言参数)"""for attempt in range(3): # 重试3次try:response = self.session.get(url, timeout=10)response.raise_for_status()# 验证返回内容是否为中文if "中文" in response.text or "电影" in response.text:return response.textelse:with open('response.html', 'w', encoding='utf-8') as f:f.write(response.text)return Noneexcept requests.RequestException as e:if attempt < 2:time.sleep(2 ** attempt)continueprint(f"请求失败({url}): {str(e)}")return None
5. 项目扩展与改进方向
-
数据库存储:将数据存入MongoDB或MySQL而非JSON文件
-
异步请求:使用aiohttp提高抓取效率
-
代理池集成:应对IP封禁问题
-
数据更新机制:增量抓取而非全量
-
API替代方案:考虑使用TMDB官方API(如有权限)
6. 结语
通过这个项目,我们实现了一个完整的TMDB爬虫,涵盖了从登录认证到数据存储的全流程。关键点包括:
-
正确处理CSRF保护的登录流程
-
健壮的数据提取方法
-
反爬虫策略的实现
-
完善的错误处理和日志记录
完整代码已包含所有实现细节,读者可以根据需要调整参数或扩展功能。记住在实际使用时,要遵守TMDB的使用条款,合理控制请求频率。
希望这篇文章能帮助你理解如何构建一个生产级的网页爬虫!如果你有任何问题或改进建议,欢迎留言讨论。