哦？python小爬虫竟然可以用来爬这个网站？？？

大家好！这回我来给大家讲解下我上次分享的一个小爬虫！是用来爬取豆瓣电影排行榜的相关信息！过程也是挺有意思的，先附上源码，然后我们一步步来理解

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


findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，表示规则   影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
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)




def main():
    baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS，存储进去

    # 3.保存数据
    saveData(datalist,savepath)      #2种存储方式可以只选择一种




# 爬取网页
def getData(baseurl):
    datalist = []  #用来存储爬取的网页信息
    for i in range(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") #解析器
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串
            data = []   # 保存一部电影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通过正则表达式查找 链接
            data.append(link)
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            titles = re.findall(findTitle, item)
            # 判断是否有多个名字
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  #消除转义字符
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')
            # 评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            # 评价
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")

            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', "", bd)
            bd = re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)

    return datalist


# 得到指定一个URL的网页内容
def askURL(url):
    head = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 87.0.4280.88 Mobile Safari / 537.36"
    }
    # 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，我们可以接收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")
    # 可能会有异常
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据到表格
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
    col = ("电影详情链接","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")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    for i in range(0,250):

        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #数据
    book.save(savepath) #保存




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

     print("爬取完毕！")

首先我们一步一步的来看
第一步··就是要先确定自己要爬取的网站

爬取前有个知识点需要记住，你要告诉你爬取网页的服务器你是一个什么样的机器，（其实就是伪装自己，告诉服务器你是个浏览器）这样它才不会拦截你的爬取

# 得到指定一个URL的网页内容
def askURL(url):
    head = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 87.0.4280.88 Mobile Safari / 537.36"
    }
    # 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，我们可以接收什么水平的文件内容）

确定爬取的URL
爬取的网页地址为：https://movie.douban.com/top250

baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS，存储进去

这样我们要爬取的网页确定好了，接下来就是第二步了，将自己爬取到的东西解析出来，这里我们就需要用到正则表达式了

def getData(baseurl):
    datalist = []  #用来存储爬取的网页信息
        
        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser") #解析器
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串
            data = []   # 保存一部电影所有信息
            item = str(item)

正则表达式筛选

findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，表示规则   影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
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)

在这里我们需要注意这一步

    for i in range(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

打开网页后，可观察到：TOP250的电影被分成了10个页面来展示，每个页面有25个电影。

这是第一页的连接和样子
https://movie.douban.com/top250

这是第二页的链接和样子
https://movie.douban.com/top250?start=25&filter=

我们打开这样的页面一个个看我们会发现
除了第一个页面的链接是：https://movie.douban.com/top250外，其他页面的链接后面都是有相同的规律的。
我们就需要用上面那步来获取全部的网页源码！

接下来就是将其处理好的东西给保存到建立的表格中。

	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
    col = ("电影详情链接","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"

data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #数据
    book.save(savepath) #保存

运行得到的成果如下：

到这里我们的爬虫任务就基本结束了，爬虫还是有意思的，还要不断的学习不断进步,今天就到此结束了，下次见!