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")
python爬虫豆瓣top250
最新推荐文章于 2024-07-16 19:45:50 发布