Python - 03.怎么爬取数据

1. 访问指定的URL需要导入【urllib.request】、【urllib.error】包，获取网页的HTML数据。
2. 解析HTML数据需要导入【bs4】的【BeautifulSoup】包，将网页的HTML数据解析成树形结构并返回。
3. 在HTML文件结构中，标签是层层嵌套的，每一个标签可以看作是树形结构的一个结点，通过调用select()方法可以查询指定的结点并返回。
4. 以【’.item’】为例，表示在当前结点下查询class="item"的标签；以【’.bd>p’】为例，表示在当前结点下查询class="bd"的标签的子标签<p>。
5. 查询的结果以列表的形式存储，每个元素即为一个标签，若要得到标签的内容，获取text属性值即可，如【title = tag[0].text】。
6. 标签的属性值以字典的形式存储，若要得到某个属性值，传入其属性名即可，如【link = tag[0][‘href’]】。
7. 使用正则表达式需要导入【re】包，对获取到的字符串进行处理。
8. 注意控制访问的速度，避免触发网站的反爬机制。

import random
import re
import time
import urllib.error
import urllib.request

import xlwt
from bs4 import BeautifulSoup


def main():
    baseurl = 'https://movie.douban.com/top250?start='
    data = getData(baseurl)
    path = 'movie.xls'
    saveData(path, data)


def getData(baseurl):
    data = []
    for i in range(10):
        url = baseurl + str(i * 25)
        print(time.strftime('%Y-%m-%d %H:%M:%S'), url)
        html = getHtml(url)
        bs = BeautifulSoup(html, 'html.parser')
        # 数据块 <div class="item">
        for item in bs.select('.item'):
            temp = []
            # 标题 <span class="title">肖申克的救赎</span>
            tag = item.select('.title')
            if len(tag) > 0:
                title = tag[0].text
            else:
                title = ''
            temp.append(title)
            # 详情 <p class="">
            tag = item.select('.bd>p')
            if len(tag) > 0:
                detail = tag[0].text
                detail = detail.strip()
                detail = re.sub(r'\xa0', ' ', detail)
                detail = re.sub(r'\n\s+', ' ', detail)
            else:
                detail = ''
            temp.append(detail)
            # 评分 <span class="rating_num" property="v:average">9.7</span>
            tag = item.select('.rating_num')
            if len(tag) > 0:
                score = tag[0].text
            else:
                score = 0
            temp.append(score)
            # 人数 <span>2504130人评价</span>
            tag = item.select('.star>span')
            if len(tag) > 0:
                people = tag[3].text
                people = re.findall(r'\d+\.?\d*', people)[0]
            else:
                people = 0
            temp.append(people)
            # 概括 <span class="inq">希望让人自由。</span>
            tag = item.select('.inq')
            if len(tag) > 0:
                summary = tag[0].text
            else:
                summary = ''
            temp.append(summary)
            # 链接 <a href="https://movie.douban.com/subject/1292052/">
            tag = item.select('.pic>a')
            if len(tag) > 0:
                link = tag[0]['href']
            else:
                link = ''
            temp.append(link)
            # 图片 <img width="100" alt="肖申克的救赎" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
            tag = item.select('.pic>a>img')
            if len(tag) > 0:
                image = tag[0]['src']
            else:
                image = ''
            temp.append(image)
            data.append(temp)
        time.sleep(random.uniform(3, 5))
    return data


def getHtml(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36 Edg/96.0.1054.53'
    }
    request = urllib.request.Request(url=url, headers=headers, method='GET')
    response = None
    try:
        response = urllib.request.urlopen(request, timeout=2)
    except urllib.error.URLError as e:
        if hasattr(e, 'code'):
            print(e.code)
        if hasattr(e, 'reason'):
            print(e.reason)
    return response


def saveData(path, data):
    book = xlwt.Workbook()
    sheet = book.add_sheet('sheet1')
    for i in range(len(data)):
        for j in range(len(data[i])):
            sheet.write(i, j, data[i][j])
    book.save(path)


if __name__ == '__main__':
    main()