如何利用python爬取豆瓣250排行电影

爬取过程如下

1.获取网页URL

2.利用requests提取网页

3.解析网页数据，并利用正则表达式提取网页相关数据，并保存到datalist中

4.保存数据到excel中

用到的第三方包如下：用的是bs4+requests，用requests+xpath估计更快

import requests #用于获取网页数据
from bs4 import BeautifulSoup #用于解析网页数据
import xlwt #用于对excel表进行操作
from requests import exceptions #异常处理
import re #正则表达式

第一步，获取网页URL

在进入网页之后，通过分析网页的URL不难发现，此start对应的是每一页的第一个电影的位置start=24就是排行第24的电影

def main():
    base_url = "https://movie.douban.com/top250?start="#start=？没写是为了后面拼接URL用的
    #1.爬取网页,获取每部电影的数据保存到datalist中
    datalist = getData(base_url)
    #保存路径
    # 2.保存数据到excel表
    savepath = '豆瓣250.xls'
    saveData(datalist,savepath)#保存

 我们首先定义base_url = "https://movie.douban.com/top250?start="

start后面空着是为了拼接URL

第二步，利用requests提取网页

def askURL(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:77.0) Gecko/20100101 Firefox/77.0"
    }
    try:
        html = requests.get(url, headers=headers).text
    except exceptions.Timeout as e:
        print(e.reason)
    except exceptions.HTTPError as e:
        print(e.reason)
    return html

 

第三步，解析网页数据，并利用正则表达式提取网页相关数据，并保存到datalist中

通过分析网页，我们发现有以下几个部分需要爬取（确定所需要爬取的内容）:

("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")

电影详情链接：

我们可以发现正是a标签里面的href

图片链接：

对应的是img标签

影片中文名：

对应的span标签

影片外国名：

也是span标签

评分：

也是span标签

评价数：

同理也是

概况：

概况也是span标签

相关信息：

是p标签

由以上分析可以写出提取信息的正则表达式如下:

#表达式 .* 的意思很好理解，就是单个字符匹配任意次，即贪婪匹配。 
#表达式 .*? 是满足条件的情况只匹配一次，即懒惰匹配
#获取影片链接
findLink = re.compile(r'<a href="(.*?)">')
#获取图片的SRC
findimgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.s表示忽略换行符
获取电影名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#获取评分数
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#获取评价数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#获取概述
findInq = re.compile(r'<span class="inq">(.*)</span>')
#获取相关信息
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

getData函数如下：

def getData(baseurl):
    datalist = []
    #根据左闭右开，遍历10页
    for i in range(0,10):
        #拼接URL
        url = baseurl+str(i*25)#由于每一页开头是0，25，50.....所以乘25
        html = askURL(url)
        # print(html)
        #每个页面
        soup = BeautifulSoup(html,"html.parser")
        #因为电影相关信息是保存在class="item"这个中，所以只需要查找到div中的class="item"的即可
        for item in soup.find_all('div',class_="item"):
            data = [] #用于保存一部电影的完整信息
            item = str(item)
            #找到详情链接
            link = re.findall(findLink,item)[0]#链接只有一个
            data.append(link)#将Link保存到data列表中
            #找到图片src
            imgSrc = re.findall(findimgSrc,item)[0]
            data.append(imgSrc)
            #找到电影名
            title = re.findall(findTitle,item)
            #由于电影有中文名和英文名，所以需要分隔开来
            if(len(title) == 2):
                ctitle = title[0]#保存中文名到ctitle中
                data.append(ctitle)
                etitle = title[1].replace("/","")#字符串处理，并把英文名保存到etitle中
                data.append(etitle)
            else:
                #如果没有英文名，直接加进去就行
                data.append(title[0])
                data.append(' ')
            #找到评分
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            #找到评价人数
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)
            #找到概述
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")#去掉句号
                data.append(inq)
            else:
                data.append(" ")

            #去掉br分隔符
            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?>(\s+)?'," ",bd)
            bd = re.sub('/'," ",bd)
            data.append(bd.strip())#去掉前后空格
            #把一部电影的所有存在data中的作为一个元组插入到datalist中
            datalist.append(data)
    return datalist

第四步，保存数据到excel中

def saveData(datalist,savepath):
    #备用列表,用于存放datalist中的某一条数据
    data = []
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet('豆瓣电影top250',cell_overwrite_ok=True)
    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")
    #在excel表第一行写入每一列应该保存的是什么
    for i in range(0,8):
        worksheet.write(0,i,col[i])
    #一共爬取了250条数据，依次遍历放入excel中
    for i in range(0,250):
        print("第%d条数据写入完毕！"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            #写入数据
            worksheet.write(i+1,j,data[j])
    workbook.save(savepath)

全部过程代码如下：

#-*- codeing = utf-8 -*-
#@Time: 14:27
#@Author:long
#@File:spider.py
#@Software:PyCharm

import requests
from bs4 import BeautifulSoup
import xlwt
from requests import exceptions
import re
#表达式 .* 的意思很好理解，就是单个字符匹配任意次，即贪婪匹配。
#表达式 .*? 是满足条件的情况只匹配一次，即懒惰匹配
#re.compile指的是定义模式
findLink = re.compile(r'<a href="(.*?)">')
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)

def main():
    base_url = "https://movie.douban.com/top250?start="
    #1.爬取网页,获取每部电影的数据保存到datalist中
    datalist = getData(base_url)
    #保存路径
    # 2.保存数据到excel表
    savepath = '豆瓣250.xls'
    saveData(datalist,savepath)
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl+str(i*25)
        html = askURL(url)
        # print(html)
        #解析每个页面
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            data = [] #用于保存一部电影的完整信息
            item = str(item)
            #找到详情链接
            link = re.findall(findLink,item)[0]
            data.append(link)
            #找到图片src
            imgSrc = re.findall(findimgSrc,item)[0]
            data.append(imgSrc)
            #找到电影名
            title = re.findall(findTitle,item)
            if(len(title) == 2):
                ctitle = title[0]
                data.append(ctitle)
                etitle = title[1].replace("/","")#字符串处理
                data.append(etitle)
            else:
                data.append(title[0])
                data.append(' ')
            #找到评分
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            #找到评价人数
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)
            #找到概述
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")#去掉句号
                data.append(inq)
            else:
                data.append(" ")

            #去掉br
            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?>(\s+)?'," ",bd)
            bd = re.sub('/'," ",bd)
            data.append(bd.strip())#去掉前后空格
            datalist.append(data)
    return datalist


def askURL(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:77.0) Gecko/20100101 Firefox/77.0"
    }
    try:
        html = requests.get(url, headers=headers).text
    except exceptions.Timeout as e:
        print(e.reason)
    except exceptions.HTTPError as e:
        print(e.reason)
    return html

def saveData(datalist,savepath):
    data = []
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet('豆瓣电影top250',cell_overwrite_ok=True)
    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):
        worksheet.write(0,i,col[i])
    for i in range(0,250):
        print("第%d条数据写入完毕！"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])
    workbook.save(savepath)

if __name__ == '__main__':
    main()