爬虫学习小项目一

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