步骤
- 准备工作
- 获取数据
- 解析内容
- 保存数据
#-*- codeing = utf-8 -*-
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,进行文字匹配
import urllib.request,urllib.error #制定URL,获取网页数据
import requests
import xlwt #进行execl操作
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"
#3.保存数据
saveData(datalist,savepath)
#askURL("https://movie.douban.com/top250?start=")
#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则(字符串的模式)
#影片图片的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中
#影片片名的规则
findTitle = re.compile(r'<span class="title">(.*?)</span>')
#影片评分的规则
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到评价人数
findJudge = re.compile(r'<span>"(.*?)"</span>') #<span>2322518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)
#1.爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10): #调用获取页面信息的函数 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
'''
解析页面内容:1)使用BeautifulSoup定位特定的标签位置
2)使用正则表达式找到具体的内容
'''
soup =BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表
#div 同时有class属性,属性中是item的内容
#print(item) 测试:查看电影item全部信息
data = [] #保存一部电影的所以信息
item = str(item)
Link = re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串
data.append(Link)
ImgSrc = re.findall(findImgSrc,item)[0] #添加图片
data.append(ImgSrc)
Title = re.findall(findTitle, item) #片名
if(len(Title)==2):
ctitle = Title[0] #添加中国名
data.append(ctitle)
otitle = Title[1].replace("/","") #去掉无关符号
data.append(otitle) #添加外文名
else:
data.append(Title[0])
data.append(' ') #外文名留空
Rating = re.findall(findRating, item)[0] #添加评分
data.append(Rating)
Judge = re.findall(findJudge, item) #添加评分人数
data.append(Judge)
Inq = re.findall(findInq, item)
if len(Inq)!=0:
Inq = Inq[0].replace("。","") #去掉句号
data.append(Inq) #添加概述
else:
data.append(" ") #留空
Bd = re.findall(findBd, item)[0]
Bd = re.sub('<br(\s+)?/>(\s+)?'," ",Bd) #去掉<br/>
Bd = re.sub('/'," ",Bd) #替换/
data.append(Bd.strip()) #去掉前后的空格
datalist.append(data) #将处理好的一部电影信息放入datalist中
return datalist
#得到指定一个URL的网页内容
def askURL(url):
head = { #模拟浏览器的头部信息,向豆瓣服务器发送消息
"User-Agent":"Mozilla/5.0(Windows NT 10.0; Win64; x64) AppleWebKit/537.36(KHTML,like Gecko) Chrome/89.0.4389.90 Safari/537.36 Edg/89.0.774.63"
}
#用户代理,表示告诉服务器:我们是什么类型的机器、浏览器,(本质上是告诉浏览器,我们可以接收什么水平的文件内容)
request = requests.get(url,headers = head)
html = ""
try:
html = request.content.decode()
#print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
#3.保存数据
def saveData(datalist,savepath):
print("save...")
book = xlwt.Workbook(encoding="utf-8",style_compression=0)
sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)
col = ("电影详情链接","图片链接","影片中文名","影片外文名","评分","评分数","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)) #条数
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__": #当函数执行时
#调用函数
main()
print("爬取完毕!")