豆瓣爬出Top250的数据,学习记录。
#-*- codeing = utf-8 -*-
#@Time : 2020/6/3 23:09
#@Author : Matthew
#@File : 爬虫.py
#@Software : PyCharm
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,匹配文字
import urllib.request,urllib.error #指定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)
#2.解析数据
#3.保存数据
savePath = "豆瓣电影Top250.xls"
saveData(savePath,dataList)
askURL(baseurl)
#影片详情链接
findlink = re.compile(r'<a href="(.*?)">') #生成正则表达式对象,表示规则
#影片图片链接
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #忽略换行符
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findNumber = re.compile(r'<span>(\d*)人评价</span>')
#影片概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
# 1.爬取网页
def getData(baseurl):
dataList = []
for i in range(0,10): #反复调用获取top250 10*25
url = baseurl +str(i*25)
html = askURL(url) #获取网页数据
#2.解析数据
soup = BeautifulSoup(html,"html.parser") #解析html 用html解析器 soup是树形结构
for item in soup.find_all('div',class_="item"): #查找符合的数据,形成列表
data = []#保存一部电影的信息
item = str(item)
#link 影片详情链接
link = re.findall(findlink,item)[0] #通过正则表达式查找指定的字符串
data.append(link) #详情链接
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc) #图片链接
titles = re.findall(findTitle,item)
if(len(titles)==2):
chinesTitle = titles[0] #中文名字
data.append(chinesTitle)
otherTitle = titles[1].replace("/","") #去掉/
data.append(otherTitle) #外文名字
else:
data.append(titles[0])
data.append(" ") #外文名字留空
rating = re.findall(findRating,item)[0]
data.append(rating) #评分
number = re.findall(findNumber,item)[0]
data.append(number) #人数
inq = re.findall(findInq,item)
if len(inq)!=0:
inq = inq[0].replace("。","")
data.append(inq) #概述
else:
data.append(" ")
bd = re.findall(findBd,item)[0]
bd = re.sub('<br(\s+)?/>(/s+)?'," ",bd) #去掉<br/>
bd = re.sub('/'," ",bd)
bd = re.sub(r'\n'," ",bd)
data.append(bd.strip()) #strip去掉空格
dataList.append(data) #将一部电影内容放入datalist中
return dataList
#3.保存数据
def saveData(savePath,dataList):
print("save...")
book = xlwt.Workbook(encoding="utf-8",style_compression=0)
sheet = book.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","影片外文名","影片评分","观看人数","影片概述","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #写入列名
for i in range(0,len(dataList)):
for j in range(0,len(dataList[i])):
sheet.write(i+1,j,dataList[i][j])
book.save(savePath) #保存数据
print("Saving Over")
#得到指定一个url网页的内容
def askURL(url):
#伪装一个浏览器 用户代理告诉服务器我们是什么类型的机器、浏览器 模拟一个头部
head = {
r"User-Agent":r"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
}
req= urllib.request.Request(url,headers=head)
html =""
try:
response = urllib.request.urlopen(req)
html = response.read().decode()
# print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
if __name__ =="__main__" : # main 函数入口
main()