爬虫（三）

# 引入系统的模块
import os
import sys

# 引入第三方模块
import bs4  # 网页解析，获取数据
import re   # 正则表达式，进行文字交配
import urllib.request,urllib.error   # 制定URL，获取网页数据的
import xlwt     # 进行excel操作
import sqlite3  # 进行SQLite 数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    savapath = ".\\豆瓣电影Top250.xls"
    # 3.保存数据
    # savaData(savapath)
    # 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串中
# 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>')
# 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):
    datelist=[]
    for i in range(0, 10):      # 调用获取页面信息的函数
        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 = bs4.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)
            print(item)
            break
            # 影片详情的超链接
            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
            # print(link)
            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("/", "")  # 去掉无关字符
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')    # 外国名留空

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

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

            inq = re.findall(findInq, item)[0]
            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(datelist)
    return datelist


# 得到指定一个URL的网页内容
def askURL(url):
    # 模拟浏览器头部信息，向豆瓣服务器发送信息
    head = {
        "User-Agent": "Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 90.0.4430.85Safari / 537.36Edg / 90.0.818.49"
    }
                    # 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
    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


# 3.保存数据
def savaData(savepath):
    print("save...")

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