爬虫成果展示

成果展示

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          # 指定url，获取网页数据
import xlwt         # 进行excel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)


# 影片详细链接的规则
findlink = re.compile(r'<a href="(.*?)">')   # 创建正则表达式对象，表示规则
# 影片图片链接
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>')
# 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
        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
            data = [ ] # 保存一部电影的所有信息
            item = str(item)
            link = re.findall(findlink,item)[0]  # 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) # 片名可能只有一个中文名
            if(len(title) ==2 ):
                ctitle = title[0]  # 中文名
                data.append(ctitle)
                otitle = title[1].replace("/","")  # 外国名
                data.append(otitle)
            else:
                data.append(title[0])
                data.append('  ')  # 外国名留空
            rating = re.findall(findrating,item)[0]
            data.append(rating)

            judgename = re.findall(findjudge,item)[0]
            data.append(judgename)


            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)
            bd = re.sub('/'," ",bd)
            data.append(bd.strip( )) # 去空格

            datalist.append(data)
    # print(datalist)

    return datalist

# 得到指定url的网页内容
def askURL(url) :
    # 用户代理表示告诉豆瓣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数据）
    head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0"}
    request = urllib.request.Request(url,headers=head)
    html = ""
    try :
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e :
        # hasattr()用于判断对象是否包含某一属性
        if hasattr(e,"code") :
            print(e.code)
        if hasattr(e,"reason") :
            print(e.reason)
    return html


# 保存数据
def saveData(datalist,savepath):
    book = xlwt.Workbook("utf-8",style_compression=0)       # 压缩样式
    sheet = book.add_sheet("sheet1",cell_overwrite_ok=True)  # 单元可以被覆盖
    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(f"第{i}条")
        data = datalist[i]
        for j in range(0,8) :
            sheet.write(i+1,j,data[j])  # 数据
    book.save("豆瓣top250.xls")          # 保存
main()

得到文件 豆瓣top250.xls