三、保存数据(Excel表格)
1. 调用库函数
库函数的下载请见 爬虫入门记(1)
from builtins import len, hasattr, range # 提供对Python的“内置”标识符的直接访问
from bs4 import BeautifulSoup # 解析网页数据
import re # 正则表达式
import urllib.request, urllib.error # 提供了一系列用于操作URL的功能
import xlwt # 与Excel相关的库函数
2. 定义主函数
def main():
baseurl = "https://movie.douban.com/top250?start=" # 以豆瓣电影Top250为例
datalist = getData(baseurl) # getData 函数用来爬取数据,并且返回一个列表,下面会介绍
# 保存到xlsx表格
savepath = "豆瓣top250.xls" # 在当前目录下建立一个Excel表格
saveData(datalist, savepath)
if __name__ == "__main__":
# 调用函数
main()
print("爬取完毕")
3. getData 函数
用来爬取网页,并且返回一个存放数据的列表。
【下面是re匹配规则,用到了正则表达式,位置在主函数main之后。】
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象的规则和模式
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S让换行符包含在其中
findTiTle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBD = re.compile(r'<p class="">(.*?)</p>', re.S)
getData 代码:
def getData(baseurl):
datalist = []
for i in range(0, 10): # 调用获取页面信息的函数,一共爬取10页的信息
url = baseurl + str(i * 25) # 观察网页每一页的网址变化
html = askURL(url) # 保存获取到的当前页网页源码
# 逐一解析数据
soup = BeautifulSoup(html, "html.parser") # 调用BeautifulSoup库函数解析数据
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:查看电影全部信息
data = [] # 保存一部电影的全部信息,以列表形式存储
item = str(item) # 转化为字符串
link = re.findall(findLink, item)[0] # 调用re库函数,给一个findlink规则,根据该规则找到相应内容
data.append(link) # 向data列表添加该电影信息
imgSrc = re.findall(findImgSrc, item)[0]
data.append(imgSrc)
titles = re.findall(findTiTle, item)
# 一个电影可能有很多名字
if len(titles) == 2:
ctitle = titles[0] # 中文名字
data.append(ctitle)
otitle = titles[1] # 外国名字
otitle = re.sub('/', "", otitle) #名字中可能有/符号,将/符号替换为没有
data.append(otitle)
else:
data.append(titles[0])
data.append(" ") # (外国名)留空
rating = re.findall(findRating, item)[0]
data.append(rating)
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum)
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "") # 去掉句号
data.append(inq)
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)
data.append(bd.strip()) # strip去掉空格
datalist.append(data) # 把处理好的data放入datalist总列表
return datalist
4. saveData 函数
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,这里就是Excel表下面那个分表sheet
col = ("电影链接", "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") # 这个是第一列的信息
for i in range(0, 8):
sheet.write(0, i, col[i]) # 将列名写入第一行
for i in range(0, 250): # 逐行存入每个电影的数据
print("第%d条:" % (i + 1))
data = datalist[i]
for j in range(0, 8):
sheet.write(i + 1, j, data[j])
book.save(savepath) # 保存数据