python爬虫豆瓣top250

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"

    saveData(datalist,savepath)

    # askURL(baseurl)

#影片详情的规则
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
#影片的图片
findImgSrc = re.compile(r'<img.*" src="(.*?)"',re.S)       #让换行符包含在字符中
#影片的片名
findTittle = re.compile(r'<span class="title">(.*)</span>')
#影片的评分
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>',re.S)

#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):
    datalist=[]
    for i in range(0,10):       #调用获取页面信息的函数十次
        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"):
            # print(item)  #测试查看电影item全部信息
            data = []     #保存一部电影的全部信息
            item = str(item)

            # 影片详情的链接
            link = re.findall(findLink,item)[0]   #re通过正则表达式查找指定的字符串
            data.append(link)

            imgSrc = re.findall(findImgSrc,item)[0]
            # print(imgSrc)
            data.append(imgSrc)

            titles = re.findall(findTittle,item)
            if(len(titles) != 1):
                ctitle = titles[0]
                data.append(ctitle) #中文名
                otitle = titles[1].replace("/","")
                otitle = otitle.replace("\xa0","")
                data.append(otitle) #外国名
            else:
                data.append(titles[0])
                data.append(' ')    #没有外国名也要留空

            rating = re.findall(findRating,item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)


            # print(re.findall(findInq,item))
            # if(len(re.findall(findInq, item))==0):
            #     inq = " "
            # else:
            #     inq = re.findall(findInq, item)[0]

            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)   #去掉<br/>
            bd = re.sub('/', ' ', bd)
            bd = re.sub('\xa0', ' ', bd)

            data.append(bd.strip())         #去掉前后的空格
            datalist.append(data)       #把处理好的电影信息放入datalist

    print(datalist)
    return datalist



#得到指定一个URL的网页内容
def askURL(url):
    #模拟浏览器头部信息，向豆瓣服务器发送消息
    head = {
        "User-Agent":"Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 91.0.4472 .124 Safari / 537.36"
    }
    #用户代理，表示告诉豆瓣服务器，我们是什么类型的浏览器（本质上是告诉浏览器，我们能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"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html



#3、保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    sheet = book.add_sheet('豆瓣电影top250',cell_overwrite_ok=True)
    col = ("电影详情链接","图片链接","中文名","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):
        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)

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