Python爬虫入门记（3）- 保存数据（Excel表格）

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