3.11(跟着学长学python）

3.3解析内容

对爬取的html文件进行解析

解析页面内容：

（1）使用BeautifulSoup定位特定的标签位置

（2）使用正则表达式找到具体的内容

初步打印top250

#-*- coding =utf-8 -*-
#@Time : 2022/3/11 21:45
#@Author :B20040606李香悦
#@File : demo11.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
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)
    savepath = ".\\豆瓣电影top250.xls"
    #3.保存数据
    #saveData(savepath)

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

#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,1):   #左闭右开[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，class是类别，要加下划线
            print(item)


    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36 Edg/99.0.1150.36"}
      #head模拟浏览器头部信息，向豆瓣服务器发送消息
      #User-Agent  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受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"):   #attr 标签，如果错了就打印出来
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html

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




if __name__ =="__main__":
    main()

结果和豆瓣的html形式一致。