python爬虫豆瓣

最新推荐文章于 2024-06-30 11:55:03 发布

Mesut Özil is sb

最新推荐文章于 2024-06-30 11:55:03 发布

阅读量331

点赞数

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/m0_37836911/article/details/107212746

版权

python 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

#-*- 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 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)
  

    #askURL("https://movie.douban.com/top250?start=")



findLink=re.compile(r'<a href="(.*?)">')      #创建正则表达式对象，标售规则   影片详情链接的规则
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)
findTitle=re.compile(r'<span class="title">(.*)</span>')
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge=re.compile(r'<span>(\d*)人评价</span>')
findInq=re.compile(r'<span class="inq">(.*)</span>')
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
            # print(item)
            data=[]    #保存一部电影所有信息
            item=str(item)         
            link=re.findall(findLink,item)[0]   #通过正则表达式查找
            data.append(link)
            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].replace("/","")
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')
            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)
            bd=re.sub('/',"",bd)
            data.append(bd.strip())
            
            
            
            datalist.append(data)
            # print(datalist)
            
            

    return datalist



#得到指定一个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; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
                            #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文件内容）

    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



if __name__ == "__main__":          #当程序执行时
#调用函数
    main()
    #init_db("movietest.db")
    print("爬取完毕！")