【6】爬虫介绍/准备工作/构建流程/获取数据/BeautifulSoup/Re(正则表达式)/正则提取/标签解析/保存数据到excel

爬虫介绍/准备工作/构建流程/获取数据/BeautifulSoup/Re(正则表达式)/正则提取/标签解析/保存数据到excel

更新时间：2021.9.16
vedio：15，16，17，18，19，20，21，22，23，24，25*

# -*- coding: utf-8 -*-
# @Time    : 2021/9/4 18:33
# @Author  : 李新宇
# @FileName: t1.py
# @Software: PyCharm

def add(a,b):
    return a+b

print(add(2,3))

# -*- coding: utf-8 -*-
# @Time    : 2021/9/4 18:33
# @Author  : 李新宇
# @FileName: t2.py
# @Software: PyCharm


from test1 import t1

#引入自定义模块
print(t1.add(2,3))

#引入系统模块
import os
import sys

#引入·第三方模块
import re

# -*- coding: utf-8 -*-
# @Time    : 2021/9/9 10:56
# @Author  : 李新宇
# @FileName: testXwlt.py
# @Software: PyCharm
import xlwt
'''
workbook =  xlwt.Workbook(encoding="utf-8")  #创建workbook对象
worksheet = workbook.add_sheet('sheet1')  #创建工作表
worksheet.write(0,0,'hello')  #写入数据，第一个参数“行”，第二个参数“列”，第三个参数内容
workbook.save('studen.xls')  #保存数据表
'''
#99乘法表
workbook =  xlwt.Workbook(encoding="utf-8")  #创建workbook对象
worksheet = workbook.add_sheet('sheet1')  #创建工作表
for i in range(0,9):
    for j in range(0,i+1):
        worksheet.write(i,j,"%d * %d = %d"%(i+1,j+1,(i+1)*(j+1)))
workbook.save('studen.xls')  #保存数据表

# -*- coding: utf-8 -*-
# @Time    : 2021/9/4 19:12
# @Author  : 李新宇
# @FileName: testUrllib.py
# @Software: PyCharm

import urllib.request

'''
#获取一个get请求
response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode('utf-8'))  #对获取到的网页源码进行utf-8的解码

#获取一个post请求
'''
'''
import urllib.parse
data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8')
response = urllib.request.urlopen("http://httpbin.org/post",data= data )
print(response.read().decode('utf-8'))
'''

#获取一个get请求
'''
try:
    response = urllib.request.urlopen("http://httpbin.org/get",timeout=3)
    print(response.read().decode('utf-8'))
except urllib.error.URLError as e:
    print("time out")
'''

'''
response = urllib.request.urlopen("http://www.baidu.com")
#print(response.status)
print(response.getheaders())
'''

# url = "http://www.douban.com"
'''
url = "http://httpbin.org/post"

headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36 Edg/93.0.961.38"
}
data = bytes(urllib.parse.urlencode({'name':'eric'}),encoding="utf-8")
req = urllib.request.Request(url=url,data=data,headers=headers,method="POST")

response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))

'''
url = "http://www.douban.com"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36 Edg/93.0.961.38"
}
req = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("utf-8"))

# -*- coding: utf-8 -*-
# @Time    : 2021/9/7 21:04
# @Author  : 李新宇
# @FileName: testBs4.py
# @Software: PyCharm
import re

from bs4 import BeautifulSoup


file = open("./baidu.html","rb")
html = file.read().decode("utf-8")
bs = BeautifulSoup(html,"html.parser")


#print(bs.title)

#print(bs.a)
#print(type(bs.head))
#1.tag 标签及其内容：拿到他所找到的第一个内容


'''
print(bs.title.string)
print(type(bs.title.string))
#NavigableString 标签里的内容（字符串）
'''

#print(bs.a.attrs)

#attrs属性

#print(type(bs))
#3.BeautifulSoup:   表示整个文档

#print(bs)

#
# print(bs.a.string)
# print(type(bs.a.string))

#4.commment 是一个特殊的NavigableString ,输出的内容不包含注释符号


#---------------------------------

#文档的遍历

#print(bs.head.contents)
#print(bs.head.contents[1])

#更多内容，搜索文档


#文档的搜索


#find_all()
#字符串过滤：会查找与字符串完全匹配的内容
#t_list = bs.find_all("a")
import re
#正则表达式搜索：使用serach（）方法来匹配内容
#t_list = bs.find_all(re.compile("a"))

#方法 ：传入一个函数（方法），根据函数的方法要求来搜索(了解)
'''
def name_is_exists(tag):
    return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)

for item in t_list:
    print(item)


#print(t_list)

'''

#2.kwargs   参数


#t_list = bs.find_all(id="head")

# t_list = bs.find_all(class_="True")
#
# for item in t_list:
#     print(item)



#3.text文本

# t_list = bs.find_all(text="hao123")
#t_list = bs.find_all(text=["hao123","地图","贴吧"])

#t_list = bs.find_all(text=re.compile("\d")) #应用正则表达式来查找包含特定文本的内容（标签里的字符串）








#4.limit参数
# t_list = bs.find_all("a",limit=3)
#
# for item in t_list:
#      print(item)
#


#4.css选择器
#t_list = bs.select("title")  #通过标签来查找

#t_list = bs.select(".mnav")    #通过类名来查找

#t_list = bs.select("#u1")        #通过id来查找

#t_list = bs.select("a[class='bri']")  #通过属性来查找

#t_list = bs.select("head > title")   #通过子标签来查找

# t_list = bs.select(".mnav ~ .bri")
# print(t_list[0].get_text())

# for item in t_list:
#       print(item)

# -*- coding: utf-8 -*-
# @Time    : 2021/9/8 16:05
# @Author  : 李新宇
# @FileName: testre.py
# @Software: PyCharm



#正则表达式： 字符串模式 （判断字符串是否符合一定的标准）


import re
#创建模式对象

pat = re.compile("AA") #此处的aa是正则表达式，用来验证其他的字符串

#m = pat.search("BBBBCCAA")  #search后字符串被检验的内容


#m = pat.search("BBAABBCCAA") #search方法进行查找，比对


#没有模式对象
# m = re.search("asd","asdd") #前面的字符串是规则（模板），后面的字符串是被校验的对象
# print(m)



#print(re.findall("a","asdaddddaa"))         #前面字符串是规则（正则表达式），后面字符串是被校验的字符串


#print(re.findall("[a-z]","AAasdaddddaa"))

#print(re.findall("[a-z]+","AAsAdadddAAdaa"))

#sub

print(re.sub("a","A","abcdcasd"))  #找到a用A替换，在第三个字符串中查找，substitute


#建议在正则表达式中，被比较的字符串前面加上r，不用担心转义字符的问题
a = r"\aabd-\'"
print(a)

# -*- coding: utf-8 -*-
# @Time    : 2021/9/9 16:18
# @Author  : 李新宇
# @FileName: testsqlite.py
# @Software: PyCharm


from bs4 import BeautifulSoup  # 网页解析，获取数据
import re  # 正则表达式，进行文字匹配
import urllib.request, urllib.error  # 制定URL，获取网页数据
import xlwt  # 进行excel操作



def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"
    # 3.保存数据
    saveData(datalist,savepath)


    # askURL("https://movie.douban.com/top250?start=")


# 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，表示规则（字符串的模式）
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S 让换行符包含在字符中
# 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>')
# 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


# 爬取网页
def getData(baseurl):
    datalist = []


    for i in range(0, 10):  # 调用获取页面信息的函数，10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存获取到的网页源码

        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串，形成列表
            # print(item)   #测试：查看电影item全部信息
            data = []  # 保存一部电影的所有信息
            item = str(item)

            # 影片详情的链接
            link = re.findall(findLink, item)[0]  # re库用来通过正则表达式查找指定的字符串
            data.append(link)  # 添加链接

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)  # 添加图片

            titles = re.findall(findTitle, item)  # 片名可能只有一个中文名，没有外国名
            if (len(titles) == 2):
                ctitle = titles[0]  # 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  # 去掉无关的符号
                data.append(otitle)  # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')  # 外国名字留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)  # 添加评分

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)  # 提加评价人数

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")  # 去掉句号
                data.append(inq)  # 添加概述
            else:
                data.append(" ")  # 留空

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

            datalist.append(data)  # 把处理好的一部电影信息放入datalist
            #print(datalist)
    return datalist


# 得到指定一个URL的网页内容
def askURL(url):
    head = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）

    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据
def saveData(datalist, savepath):
    print("save....")
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象
    sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True)  # 创建工作表
    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)  # 保存

if __name__ == "__main__":  # 当程序执行时
    # 调用函数
    main()

    print("爬取完毕！")