自学初级爬虫豆瓣电影Top250（爬虫基本套路）

spider.py

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exclel操作
import sqlite3 #进行SQLite数据库操作

import io
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding=‘utf8’) #改变标准输出的默认编码

def main():
baseurl = “https://movie.douban.com/top250?start=0”
# 1.爬取网页
# 2.逐一解析数据
# 3.保存数据
datalist = getData(baseurl)

savepatn = ".\\豆瓣电影Top250.xls"

saveData(datalist,savepatn)
# askURL("https://movie.douban.com/top250?start=0")

影片详情链接的规则

findLink = re.compile(r’’) #创建正则表达式对象，表示规则（字符串模式）,s代表懒惰模式，匹配完第一个就停止，不然后面全都会匹配

影片图片

findImgSrc = re.compile(r’<img.src="(.?)"’,re.S) #re.S让换行符包含在字符中

影片片名

findTitle = re.compile(r’(.)’)
#影片评分
findRating = re.compile(r’(.)’)

找到评价人数

findJudge = re.compile(r’(\d*)人评价’)

找到概况

findInq = re.compile(r’(.*)’)

#找到影片的相关内容
findBd = re.compile(r’

(.*?)

’,re.S)

1.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，10次
url = baseurl + str(i*25)
# print(url)
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
        # 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)#便于用正则表达式对字符串进行解析


        #获取影片详情的链接
        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)

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

        titles = re.findall(findTitle,item)
        if(len(titles) == 2):
            ctitle = titles[0]
            data.append(ctitle)
            otitle = titles[1].replace("/","")#去掉无关的符号
            data.append(otitle)
        else:
            data.append(titles[0])
            data.append(' ')        #外国名需要留空，不然最后在表格显示有误

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

        judgeNum = re.findall(findJudge,item)[0]
        data.append(judgeNum)          #评价人数

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

        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())#去掉空格             #添加

        datalist.append(data)
        # print(len(datalist))
    # print(len(datalist))

        # print(datalist)
    # print(datalist[30])
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 (Windows NT 6.1; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0”
} #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"):
        print(e.code)
    if hasattr(e,"reason"):
        print(e.reason)

return html

def saveData(datalist,savepatn):

book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbllk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","影片外文名","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])          #数据
book.save(savepatn)               #保存数据表

main()
print(“爬取完毕”)

执行之后就会创建xls文件并把数据传进表格