findRating = re.compile(r’
findJudge = re.compile(r’(\d)人评价‘)
findInq = re.compile(r’(.)‘)
findBd = re.compile(r’
(.?)
', re.S)def main():
baseurl = “https://movie.douban.com/top250?start=” #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
savepath = “豆瓣电影Top250.xls” #当前目录新建XLS,存储进去
# dbpath = “movie.db” #当前目录新建数据库,存储进去
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
爬取网页
def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
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
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(“/”, “”) #消除转义字符
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)
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")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
保存数据到表格
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)) #输出语句,用来测试
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()
for data in datalist:
for index in range(len(data)):
if index == 4 or index == 5:
continue
data[index] = ‘"’+data[index]+‘"’
sql = ‘’’
insert into movie250(
info_link,pic_link,cname,ename,score,rated,instroduction,info)
values (%s)‘’'%“,”.join(data)
# print(sql) #输出查询语句,用来测试
cur.execute(sql)
conn.commit()
cur.close
conn.close()
def init_db(dbpath):
sql = ‘’’
create table movie250(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar ,
score numeric,
rated numeric,
instroduction text,
info text
)
‘’’ #创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
保存数据到数据库
if name == “main”: # 当程序执行时
# 调用函数
main()
# init_db(“movietest.db”)
print(“爬取完毕!”)
复制
**下面我根据代码,从下到下给大家讲解分析一遍**
![](https://img-blog.csdnimg.cn/img_convert/e646bb987731bc4554027ec66392e7c5.jpeg)
–*– codeing = utf-8 –*-,开头的这个是设置编码为utf-8 ,写在开头,防止乱码。 然后下面 import就是导入一些库,做做准备工作,(sqlite3这库我并没有用到所以我注释起来了)。 下面一些find开头的是正则表达式,是用来我们筛选信息的。 (正则表达式用到 re 库,也可以不用正则表达式,不是必须的。) 大体流程分三步走:
**1. 爬取网页** **2.逐一解析数据** **3. 保存网页**
先分析流程1,爬取网页,baseurl 就是我们要爬虫的网页网址,往下走,调用了 getData(baseurl) , 我们来看 getData方法
for i in range(0, 10): # 调用获取页面信息的函数,10次
url = baseurl + str(i * 25)
复制
这段大家可能看不懂,其实是这样的: 因为电影评分Top250,每个页面只显示25个,所以我们需要访问页面10次,25\*10=250。
baseurl = “https://movie.douban.com/top250?start=”
复制
我们只要在baseurl后面加上数字就会跳到相应页面,比如i=1时
<https://movie.douban.com/top250?start=25>
我放上超链接,大家可以点击看看会跳到哪个页面,毕竟实践出真知。
![](https://img-blog.csdnimg.cn/img_convert/d685bdb98adbcd5e288fac5bb266e0a7.jpeg)
然后又调用了askURL来请求网页,这个方法是请求网页的主体方法, 怕大家翻页麻烦,我再把代码复制一遍,让大家有个直观感受
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")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
复制
这个askURL就是用来向网页发送请求用的,那么这里就有老铁问了,为什么这里要写个head呢?
![](https://img-blog.csdnimg.cn/img_convert/baf5ffbe2f35ac40db280ffd9518589a.jpeg)
这是因为我们要是不写的话,访问某些网站的时候会被认出来爬虫,显示错误,错误代码
### 418
这是一个梗大家可以百度下,
>
> 418 I’m a teapot The HTTP 418 I’m a teapot client error response code indicates that the server refuses to brew coffee because it is a teapot. This error is a reference to Hyper Text Coffee Pot Control Protocol which was an April Fools’ joke in 1998.
>
>
>
**我是一个茶壶**
![](https://img-blog.csdnimg.cn/img_convert/823cf90b19c079ed97116b3891429865.jpeg)
所以我们需要 “装” ,装成我们就是一个浏览器,这样就不会被认出来, 伪装一个身份。
![](https://img-blog.csdnimg.cn/img_convert/ff2f30554eec50d365fdbe117201208b.jpeg)
来,我们继续往下走,
html = response.read().decode(“utf-8”)
复制
这段就是我们读取网页的内容,设置编码为utf-8,目的就是为了防止乱码。 访问成功后,来到了第二个流程:
**2.逐一解析数据**
解析数据这里我们用到了 BeautifulSoup(靓汤) 这个库,这个库是几乎是做爬虫必备的库,无论你是什么写法。
下面就开始查找符合我们要求的数据,用BeautifulSoup的方法以及 re 库的 正则表达式去匹配,
(.?)
', re.S)
复制
匹配到符合我们要求的数据,然后存进 dataList , 所以 dataList 里就存放着我们需要的数据了。
最后一个流程:
**3.保存数据**
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
复制
保存数据可以选择保存到 xls 表, 需要(xlwt库支持) 也可以选择保存数据到 sqlite[数据库](https://bbs.csdn.net/topics/618317507), 需要(sqlite3库支持)
这里我选择保存到 xls 表 ,这也是为什么我注释了一大堆代码,注释的部分就是保存到 sqlite 数据库的代码,二者选一就行
保存到 xls 的主体方法是 saveData (下面的saveData2DB方法是保存到sqlite数据库):
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)) #输出语句,用来测试
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
复制
创建工作表,创列(会在当前目录下创建),
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210511152217670.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)
**感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:**
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友,可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**