python爬虫入门（二）

小破站看的教程 IT私塾 跟着做练习`

# -*- codeing = utf-8 -*-
# @Time : 2022/2/25 15:21
# @Author: CXZ
# @Flie : spider.py
# @Software: PyCharm


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
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)

# 在限定符后面加上?，则为懒惰模式；在限定符后面不加?，则为贪婪模式；  贪婪模式：会匹配最长的以开始位置开始，以结束位置结束的字符串 懒惰模式：匹配尽可能少的字符


#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 这里的item 就是250个div的临时存储变量
            data = []   #保存一部电影的所有信息
            item = str(item)
            # 影片详情的链接
            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)  # 添加链接

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)  # 添加图片

            titles = re.findall(findTitle, item)  # 片名可能只有一个中文名，没有外名
            if (len(titles) == 2):  #Python len() 方法返回对象（字符、列表、元组等）长度或项目个数。 这里是返回list里面的元素个数
                ctitle = titles[0]  # 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  # 去掉无关的符号
                data.append(otitle)  # 添加外名
            else:
                data.append(titles[0])
                data.append(' ')  # 外名字留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)  # 评分

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)  # 追加评价人数

            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)  # 把处理好的一部电影信息放入datalist datalist[0]就是['https://movie.douban.com/subject/1292052/', 'https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg', '肖申克的救赎', '\xa0\xa0The Shawshank Redemption', '9.7', '2564107', '希望让人自由', '导演: 弗兰克·德拉邦特 Frank Darabont\xa0\xa0\xa0主演: 蒂姆·罗宾斯 Tim Robbins  ... 1994\xa0 \xa0美国\xa0 \xa0犯罪 剧情']
            #就是第一部电影的完整信息存在datalist[0]
    return datalist


#得到指定一个URL的网页内容
def askURL(url):
    head = {"User-Agent":  "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36",
    "X-Amzn-Trace-Id": "Root=1-6218c274-5f69a2bf1f522c2b7cfeb444"} #模拟浏览器头部信息，向豆瓣服务器发送信息

    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:
        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__":
    main()