爬取豆瓣电影网站Top250部电影信息并保存到excel表中
开发工具:PyCharm
需要的包:
import urllib.request,urllib.error #指定URL,获取网页
import xlwt #进行excel操作
from bs4 import BeautifulSoup #网页解析
import re #正则表达式库
主要分为四步:
访问URL获得html网页,这里要注意模拟浏览器访问来伪装爬虫信息
def askURL(url):
#模拟浏览器
headers={
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
}
request=urllib.request.Request(url,headers=headers)
html=""
#读取html网页
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
except Exception as e:
print(e)
return html
利用正则表达式定义字符串模式,用于后面的查找
#影片链接
findLink=re.compile(r'<a href="(.*?)">')
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S表示包含换行符
#影片片名
findTitle=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>')
#影片相关
findBD=re.compile(r'<p class="">(.*?)</p>',re.S)
结合html标签解析爬取网页内容
#爬取网页
def getData(baseurl):
datalist=[]#一部电影的信息
for i in range(0,10):
url=baseurl+str(i*25)
html=askURL(url)
#解析
soup=BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
data=[]
item=str(item)
link=re.findall(findLink,item)[0]
data.append(link)#电影链接
imgSrc=re.findall(findImgSrc,item)[0]
data.append(imgSrc)#图片链接
titles=re.findall(findTitle,item)
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle)#添加中文名
otitle=titles[1].replace("/","")
data.append(otitle)#添加外文名
else:
data.append(titles[0])
data.append(' ')#外文名留空
rating=re.findall(findRating,item)[0]
data.append(rating)#添加评分
##添加评价人数
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)#添加概况
else:
data.append(" ")
#其他相关内容
bd=re.findall(findBD,item)[0]
#替换换行符还有去除一些空格等其它符号
bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)
bd=re.sub('/'," ",bd)
data.append(bd.strip())
datalist.append(data)
#print(len(datalist[0]))
return datalist
保存数据到excel
def saveData(datalist, savepath):
print("save.....")
#创建book对象和excel单元格,设置单元格可覆盖
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))
data=datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath)
完整代码
# _*_ coding = utf-8 _*_
# @Time:2020-04-16 11:20
import urllib.request, urllib.error # 指定URL,获取网页
import xlwt # 进行excel操作
from bs4 import BeautifulSoup
import re
# 字符串模式
# 影片链接
findLink = re.compile(r'<a href="(.*?)">')
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S表示包含换行符
# 影片片名
findTitle = 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>')
# 影片相关
findBD = re.compile(r'<p class="">(.*?)</p>', re.S)
# 访问URL
def askURL(url):
# 模拟浏览器
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
}
request = urllib.request.Request(url, headers=headers)
html = ""
# 读取html网页
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except Exception as e:
print(e)
return html
# 爬取网页
def getData(baseurl):
datalist = [] # 一部电影的信息
for i in range(0, 10):
url = baseurl + str(i * 25)
html = askURL(url)
# 解析
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
data = []
item = str(item)
link = re.findall(findLink, item)[0]
data.append(link) # 电影链接
imgSrc = re.findall(findImgSrc, item)[0]
data.append(imgSrc) # 图片链接
titles = re.findall(findTitle, item)
if (len(titles) == 2):
ctitle = titles[0]
data.append(ctitle) # 添加中文名
otitle = titles[1].replace("/", "")
data.append(otitle) # 添加外文名
else:
data.append(titles[0])
data.append(' ') # 外文名留空
rating = re.findall(findRating, item)[0]
data.append(rating) # 添加评分
##添加评价人数
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) # 添加概况
else:
data.append(" ")
# 其他相关内容
bd = re.findall(findBD, item)[0]
# 替换换行符还有去除一些空格等其它符号
bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)
bd = re.sub('/', " ", bd)
data.append(bd.strip())
datalist.append(data)
# print(len(datalist[0]))
return datalist
# 保存数据
def saveData(datalist, savepath):
print("save.....")
# 创建book对象和excel单元格,设置单元格可覆盖
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))
data = datalist[i]
for j in range(0, 8):
sheet.write(i + 1, j, data[j]) # 数据
book.save(savepath)
def main():
baseurl = "https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls"
saveData(datalist, savepath)
if __name__ == '__main__':
main()
print("爬取完毕")
爬取结果