Python 爬取内容存入Excel实例

       【根据博友们的反馈，博主用python3重新写了一遍，并做了一些改进，点击查看python爬取豆瓣Top250-改进版】

       最近老师布置了个作业，爬取豆瓣top250的电影信息。按照套路，自然是先去看看源代码了，一看，基本的信息竟然都有，心想这可省事多了。简单分析了下源代码，标记出所需信息的所在标签，ok，开始干活！

      鉴于正则表达式的资料已经看了不少，所以本次除了beautifulsoup外，还有些re的使用，当然，比较简单。而爬到信息后，以往一般是存到txt文件，或者数据库中，老是重样的操作，难免有些‘厌倦’。心想，干嘛不存到Excel表呢？对啊，可以存到Excel表嘛。。。

      环境准备：pip install openpyxl  (假设你已配好了python环境)

      好了，废话少说，上代码。

    

# coding=UTF-8
'''
  function:爬取豆瓣top250的电影信息，并写入Excel文件
'''
import requests
import re
from openpyxl import workbook  # 写入Excel表所用
from openpyxl import load_workbook  # 读取Excel表所用
from bs4 import BeautifulSoup as bs
import os
os.chdir('C:\Users\Administrator\Desktop')  # 更改工作目录为桌面


def getHtml(src):
    html = requests.get(src).content
    getData(html, src)  # 首页链接和其他页不同，所以单独获取信息
    urls = re.findall('href="(.*filter=?)', html)  # re获取获取跳转链接的href
    for u in range(len(urls) - 2):  # 匹配到的跳转链接最后两个重复，需去掉
        next_url = 'https://movie.douban.com/top250' + urls[u]
        html = requests.get(next_url).content
        getData(html, next_url)


def getData(html, num_url):  # html:网页源码 ，num_url:页面链接
    global ws  # 全局工作表对象
    Name = []  # 存储电影名
    Dr = []  # 存储导演信息
    Ma = []  # 存储主演信息
    Si = []  # 存储简介
    R_score = []  # 存储评分
    R_count = []  # 存储评论人数
    R_year = []  # 存储年份
    R_area = []  # 存储地区
    R_about = []  # 存储剧情类型
    soup = bs(html, 'lxml')
    for n in soup.find_all('div', class_='hd'):
        # ts = n.contents[1].text  # 得到电影的所有名称
        ts = n.contents[1].text.strip().split('/')[0]  # 得到电影中文名
        Name.append(ts)
    for p in soup.find_all('p', class_=''):
        infor = p.text.strip().encode('utf-8') #此处用utf-8编码，以免下面查找 ‘主演’下标报错
        ya = re.findall('[0-9]+.*\/?', infor)[0]  # re得到年份和地区
        R_year.append(ya.split('/')[0])  # 得到年份
        R_area.append(ya.split('/')[1])  # 得到地区
        R_about.append(infor[infor.rindex('/') + 1:])  # rindex函数取最后一个/下标，得到剧情类型
        try:
            sub = infor.index('主演')  # 取得主演下标
            Dr.append(infor[0:sub].split(':')[1])  # 得到导演信息
            mh = infor[sub:].split(':')[1]  # 得到主演后面的信息
            Ma.append(re.split('[1-2]+', mh)[0])  # 正则切片得到主演信息
        except:
            print '无主演信息'
            Dr.append(infor.split(':')[1].split('/')[0])
            Ma.append('无介绍...')
    for r in soup.find_all('div', class_='star'):
        rs = r.contents  # 得到该div的子节点列表
        R_score.append(rs[3].text)  # 得到评分
        R_count.append(rs[7].text)  # 得到评论人数
    for s in soup.find_all('span', 'inq'):
        Si.append(s.text)  # 得到简介
    if len(Si) < 25:
        for k in range(25 - len(Si)):
            Si.append('本页有的电影没简介，建议查看核对，链接:' + num_url)

    for i in range(25):  # 每页25条数据,写入工作表中
        ws.append([Name[i], R_year[i], R_area[i], R_about[i],
                   Dr[i], Ma[i], R_score[i], R_count[i], Si[i]])


if __name__ == '__main__':
    #   读取存在的Excel表测试
    #     wb = load_workbook('test.xlsx') #加载存在的Excel表
    #     a_sheet = wb.get_sheet_by_name('Sheet1') #根据表名获取表对象
    #     for row in a_sheet.rows: #遍历输出行数据
    #         for cell in row: #每行的每一个单元格
    #             print cell.value,

    #  创建Excel表并写入数据
    wb = workbook.Workbook()  # 创建Excel对象
    ws = wb.active  # 获取当前正在操作的表对象
    # 往表中写入标题行,以列表形式写入！
    ws.append(['电影名', '年份', '地区', '剧情类型', '导演', '主演', '评分', '评论人数', '简介'])
    src = 'https://movie.douban.com/top250'
    getHtml(src)
    wb.save('test2.xlsx')  # 存入所有信息后，保存为filename.xlsx

 

      代码中已有不少注释，这里说下爬取过程中遇到的小问题。

 

       1.soup的contents方法，返回的是某标签下的子节点列表，但刚开始总是取不到想要的值，输出其长度后，有些傻眼..TM什么情况？有这么多的子节点吗？较真的我又去数了几遍，最后发现，它竟然连"换行"都算作是子节点！莫名地有点方...不知各位有没有遇到过。

        

          如图，我按列表下标标记，0,2,4,6,8是换行，但也被算作子节点...

       2.还是contents方法，代码中的 '#得到电影所有名称' 处的代码 n.contents[1]获取的除了a标签外，还有其下的span标签，这是为何？它们算一个整体？

         

       3.对如下图的电影信息处理时，出现了几处错误，原因有以下几点：

          (1)部分电影没有主演信息...

          (2)主演信息为这样'主演: '，就一个主演字样，无内容

          (3)部分电影没有简介

          (4)当主演信息中没有'...'时，获取主演信息受阻

         解决方案:(1)(2)都是主演问题，判断是否存在即可。（我以捕获异常处理）

                       (3)是简介问题，我无法给出具体哪部电影没有简介，但给了该电影所在的页面链接，可访问核查。（貌似有点笨）

                       (4)获取受阻是因为后面没有精确定位点，最后以re.split('[1-2]+')方法解决，匹配年份第一位作为分片点

         

 

          本次分享就到这儿了，最后，照旧放几张结果图吧。（欢迎留言评论，更多openpyxl操作可以点这里查看）

         

 

 

 

博主其他系列文章推荐：

[1] 【python实用特性】-切片

[2] 【python实用特性】- 迭代、可迭代对象、迭代器

[3] 【python实用特性】- 列表生成式

[4] 【python实用特性】- yield生成器

[5] Python如何爬取动态网页数据

[6] Python+selenium实现自动爬取实例

[7] requests设置请求头、代理