2021-03-21储存爬虫得到的信息

2021-03-21储存爬虫得到的信息

excel表储存

import xlwt

workbook=xlwt.Workbook('utf-8')#创建对象
worksheet=workbook.add_sheet('sheet1')
worksheet.write(0,0,'hellp')#（行，列，内容)
workbook.save('abc.xls')#保存

# -*- coding: utf-8 -*-
"""
Created on Thu Mar 18 17:30:27 2021

@author: wangyu
"""
from bs4 import BeautifulSoup
import re
import urllib.request,urllib.error
import xlwt
import sqlite3#进行SQLite数据库操作

def main():
    baseurl='https://movie.douban.com/top250?start='
    #1、爬取网页
    datalist=getData(baseurl)
    savepath='豆瓣电影top250.xls'#.表示当前位置，
    #3、保存数据
    
    saveData(datalist,savepath)
   # askURL('https://movie.douban.com/top250')
findLink = re.compile(r'<a href="(.*?)">')  
#findLink = re.compile(r' <a href="(.*?)">')#创建正则表达式对象，表示规则
#findLink = re.compile(r'<a href="(.*?)">')  
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S 让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#调用获取页面的信息10次
        url=baseurl+str(i*25)
        html=askURL(url)  #保存获取到的网页源码
        



    #2、逐一解析数据
        soup=BeautifulSoup(html,'html.parser')
        for item in soup.find_all('div',class_="item"):
            #print(item) 测试 查看电影item
           data=[]#保存一部电影的全部信息
           item=str(item)
           #获取影片详情的链接

           link=re.findall(findLink,item)[0]#re库通过正则表达式找到指定字符串
           print(link)
           data.append(link)                       #添加链接
           imgSrc=re.findall(findImgSrc,item)[0]
           data.append(imgSrc)
           titles=re.findall(findTitle,item)
           if(len(titles)==2):
               ctitle=titles[0]
               data.append(ctitle)
               otitle=titles[1]
               data.append(otitle)
           else:
               data.append(titles[0])
               data.append(' ')#外国名字要留空，不然之后的表格会错位
           rating=re.findall(findRating,item)[0]
           data.append(rating)
           
           judgeNum=re.findall(findJudge,item)[0]
           data.append(judgeNum)
           
           inq=re.findall(findInq,item)
           if len(inq)!=0:
               inq=inq[0].replace('。',' ')
               data.append(inq)
           else:
               data.append(' ')
               
           bd=re.findall(findBd,item)[0]
           bd=re.sub('<br(\s+)?/>(\s+)?',' ',bd)#去掉<br/> 
#\s 表示空白字符，包括但不限于空格、回车(\r)、换行(\n)、tab或者叫水平制表符(\t)等
#+表示重复一次或多次
           bd=re.sub('/'," ",bd)     #替换/
           data.append(bd.strip())     #去掉前后的空格


            
           datalist.append(data)       #把处理好的一部电影信息放入datalist
    print (datalist)
    return datalist

#得到一个指定url的网页内容
def askURL(url):
    head={  #模拟浏览器头部信息，向豆瓣服务器发送消息
        'User-Agent':' Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
           #用户代理：表示告诉豆瓣服务器，本机是什么类型的机器、浏览器（本质上是告诉浏览器，本机可以接受什么水平的文件）

    request =urllib.request.Request(url,headers=head)
    html=''
    try:
        response=urllib.request.urlopen(request)    
        html=response.read().decode('utf-8')#对中文进行解码
       # print(html)
    except urllib.error.URLError as e:
        if hasattr(e,'code'):
            print(e.code)
        if hasattr(e,'reason'):
            print(e.reason)
    return html
        
        
        
#保存数据
def saveData(datalist,savepath):
    print("save....")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  #创建workbook对象
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)    #创建工作表
    col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息")
    for i in range(0,8):
        sheet.write(0,i,col[i]) #列名
    for i in range(0,250):
        print("第%d条" %(i+1))
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])      #数据

    book.save(savepath)       #保存
if __name__ == "__main__":          #当程序执行时
#调用函数
    main()
    print('end')