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