出于督促自己学习以及未来回顾和分享的目的,记录一下自己的学习过程。
B站视频号:BV12E411A7ZQ
ep15-25. 完成爬取信息,处理数据,保存到Excel。具体流程为:
1. 找到目标网页的URL,如果存在多页,需要确定URL定位和页数的关系;
2. 引入所需要的库:Urllib,BS4,BeautifulSoup,Re,Xlwt;
3. 结构顺序为:爬取网页源代码→解析源代码→获得所需数据信息→整理并保存数据
代码实现:
# -*- coding = utf-8 -*-
# @Time : 10/11/21 3:11 pm
# @Author: YS
# @File : 爬取豆瓣电影TOP250.py
# @Software: PyCharm
# 爬取豆瓣电影TOP250:名称、豆瓣评分、评价数、电影概况、电影链接(https://movie.douban.com/top250)
# PS 爬虫实际上是爬取网页源代码
# 从网站获取信息,必须发送user-agent,读取cookie
# 1.获取目标URL
# 从网页浏览得到,每一页展示25个电影,共10页,每一页的URL对应(https://movie.douban.com/top250?start=X),期中X=开始编号-1
# 2.页面分析
# 开发者模式,查找elements,获得network访问详情
# 3.编码规范
# utf-8编码;多用函数;用main执行测试
# 4.引入模块
import bs4 # 网页解析
from bs4 import BeautifulSoup # 将源码解析为html,即分层结构
import re # 正则表达式,文字匹配
import urllib.request # 获取URL网页源码
import urllib.error # 检验访问错误
import xlwt # excel操作
import sqlite3 # 进行SQL
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
askURL("https://movie.douban.com/top250?start=0")
# 2.获得数据
datalist = getData(baseurl)
# 3.保存数据
savepath = "/Users/zippoil/Desktop/豆瓣电影top250.xls"
saveData(datalist, savepath)
# 电影详情链接匹配规则
findlink = re.compile(r'<a href="(.*?)">') # 创建正则表达式规则,规则配合finall返回的是()中的内容
# 电影封面图匹配规则(链接)
findcover = re.compile(r'<img.*src="(.*?)"', re.S) # .不匹配换行符,re.S可以让换行符也包含在.中
# 电影名匹配规则
findtitle = re.compile(r'<span class="title">(.*?)</span>')
# 电影评分匹配规则
findrating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 电影评分人数匹配规则
findaudience = re.compile(r'<span>(\d*)人评价</span>') # 此处锁定数字,贪婪匹配
# 电影概述匹配规则
findquote = re.compile(r'<span class="inq">(.*?)</span>')
# 演职员,年份,产地,类型匹配规则
findcast = re.compile(r'<p class="">(.*?)</p>', re.S)
def getData(baseurl):
datalist = []
for i in range(0, 10): # 调用askURL十次,
url = baseurl + str(i * 25)
html = askURL(url) # 执行十次,拿到10页全部250部电影数据,因为askURL的末尾是return,所以可以存为html
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser") # 解析html, 应用html解析器
# 重点:先在浏览器的开发者模式elements下分析,得到每个电影在<li> <div class="item">,具体信息在<div class="info">下
for item in soup.find_all('div', class_="item"): # 找到所有的div,且class="item",注意需要下划线_
# print(item) # 经过解析,在查找时会返回满足条件的内容及其所有下层内容
moviedata = [] # 保存一个电影的全部信息
item = str(item)
# 获得电影详情链接
link = re.findall(findlink, item)[0] # 用re库通过正则表达式查找指定字符串,findall返回的是列表,限定0即储存第一个满足的链接
moviedata.append(link)
# 获得电影封面图
cover = re.findall(findcover, item)[0]
moviedata.append(cover)
# 获得电影名
title = re.findall(findtitle, item) # 有时有外文名有时没有
if len(title) == 2:
ctitle = title[0]
ftitle = title[1].replace("/", "") # 去掉/符号
moviedata.append(ctitle) # 中文名
moviedata.append(ftitle) # 外文名
else:
ctitle = title[0]
moviedata.append(ctitle)
moviedata.append("Null") # 没有外文名时,外文名列留空,保证最后导出效果
# 获得电影评分
rating = re.findall(findrating, item)[0]
moviedata.append(rating)
# 获得评分人数
audience = re.findall(findaudience, item)[0]
moviedata.append(audience)
# 获得电影概况
quote = re.findall(findquote, item) # 有的电影没有概述
if len(quote) != 0:
quote = quote[0].replace("。", "") # 去掉句号
moviedata.append(quote)
else:
moviedata.append("Null") # 留空
# 获得演职员,年份,产地,类型
cast = re.findall(findcast, item)[0]
cast = re.sub('<br(\s+)?/>(\s+)?', " ", cast) # 去掉<br/>
cast = re.sub("/", " ", cast) # 去掉/
moviedata.append(cast.strip()) # 去掉空格
datalist.append(moviedata)
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
head["User-Agent"] = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.0 Safari/605.1.15")
head["Cookie"] = ('"push_noty_num=0; _pk_id.100001.4cf6=efb4e3002bfde787.1614869431.12.1636645754.1636640031.; _pk_ses.100001.4cf6=*; push_doumail_num=0; __utma=30149280.1643107469.1614869431.1636640031.1636645556.13; __utmb=30149280.0.10.1636645556; __utmc=30149280; __utmz=30149280.1636645556.13.9.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ck=TgEX; __utma=223695111.1232125652.1614869431.1636640031.1636645556.11; __utmb=223695111.0.10.1636645556; __utmc=223695111; __utmz=223695111.1636645556.11.7.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1636645555%2C%22https%3A%2F%2Faccounts.douban.com%2F%22%5D; dbcl2="209250688:VZZbqQ9NL7M"; _vwo_uuid_v2=D1835B0D5A26110B33228387A3B3497D9|2102788b20e0c99e81d2963cb8bdb3fa; ct=y; __yadk_uid=torZWdjbSJlf3JWSODn5mmPq8OlrjQX1; douban-fav-remind=1; __gads=ID=8a8633abef7a1403-228e9d3403b90021:T=1614869431:RT=1614869431:S=ALNI_MZ_EI5P-8v7pmmlOjl6hZv5pH_7ng; bid=ua9QPwGvWYQ; ll="108296"')
request = urllib.request.Request(url, headers=head) # 带着头部信息访问URL
html = ""
try:
responce = urllib.request.urlopen(request) # 返回结果
html = responce.read().decode("utf-8")
# print(html)
except urllib.error.URLError as e:
# 识别错误类型
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) # 建文件
sheet = book.add_sheet("豆瓣电影TOP250", cell_overwrite_ok=True) # 建工作簿
col = ("电影链接", "图片链接", "中文名", "外文名", "评分", "评价数", "概述", "相关信息")
for i in range(0, 8, 1):
sheet.write(0, i, col[i]) # 写入表头
for i in range(0, 250, 1):
print("第%d条"%(i+1))
data = datalist[i] # 第i个电影信息整合的列表
for j in range(0, 8, 1):
sheet.write(i+1, j, data[j])
print("yeah!!!")
book.save(savepath)
if __name__ == "__main__": # 当程序执行时
main()