# 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()
爬虫(三)
最新推荐文章于 2023-03-17 22:32:41 发布