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')