python爬虫学习

本人大一小白，假期自学爬虫
代码来源B站李巍老师
下面是代码块，写的有点乱，请包涵

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 进行网页解析获取数据
import re  # 正则表达式，进行文字匹配
import urllib.request,urllib.error  #定制URL，获取网页数据
import xlwt  # 进行excel操作


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
#片名
findTille = 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)

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #爬取网页
    datalist = getData(baseurl)
    savePath = "豆瓣电影TOP25.xls"
    # #解析数据
    # #保存数据
    saveData(datalist,savePath)



def getData(baseurl):
    datalist = []
    for i in range(0,10):   #调用获取页面的函数10次
        url = baseurl + str(i*25)
        html = askURL(url)  #保存获取到的网页
        #逐一解析
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):  #查找符合要求的字符串
            data = []   #保存一部电影的所有信息
            item = str(item)

            #获取到影片的详情链接
            link = re.findall(findlink,item)[0]    #re库通过正则表达式查找指定字符串
            data.append(link)
            Imgsrc = re.findall(findImgsrc,item)[0]
            data.append(Imgsrc)#添加图片
            titles = re.findall(findTille,item)#片名可能只有一个中文名
            if(len(titles)==2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace('/',"")
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')     #留空
            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("。","")#去掉句号
                data.append(inq)
            else:
                data.append(" ")#留空
            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?',"",bd)#去掉多余字符
            bd = re.sub('/',"",bd)
            data.append(bd.strip())
            datalist.append(data)#将处理好的一部信息传入datalist
    return datalist


#得到一个指定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/87.0.4280.141 Safari/537.36'
    }
        #用户代理，告诉服务器我们是什么类型的服务器，本质为告诉浏览器我们可以接受什么水平的文件
    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


def saveData(datalist,savePath):
    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","中文名","外文名","评分","评价书","概况","相关情况")
    for i in range(0, 8):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        # print("第%d条" % i)
        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()
    print('爬取成功')

下面是爬取结果