如何用爬虫爬取豆瓣网Top250的电影信息

使用正则表达式，模拟浏览器爬取电影信息，将信息保存为Excel形式的文件。
适合初学者，直接复制代码即可运行。

代码如下：

#codeing = utf-8
from bs4 import BeautifulSoup   #网页解析，获取数据
import re   #正则表达式，文字匹配
import urllib.request,urllib.error  #制定URL，获取数据
import xlwt #进行Excel操作
import sqlite3  #进行sqlite数据库操作

#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')#创建正则表达式对象，表示规则（字符串模式）
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符包含在字符中
#影片标题
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
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>')
#概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBD = re.compile(r'<p class="">(.*?)</p>',re.S)

#主函数
def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"

    # 2.保存数据
    saveData(datalist,savepath)#将路径保存
    # askURL("https://movie.douban.com/top250?start=")


#爬取网页
def getData(baseurl):
    datalist = []           #存储处理好的电影信息
    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

        # 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)   #查看电影item的全部信息
            data = []       #保存一部电影的全部信息
            item = str(item)

            #影片详情链接
            link = re.findall(findLink,item)[0]#re库通过正则表达式查找指定字符串
            data.append(link)                   #添加链接
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                  #添加图片
            titles = re.findall(findTitle,item)#片名可能只有中文名
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)              #添加外国名
                otitle = titles[1].replace("/","")#去掉无关的符号
            else:
                data.append(titles[0])
                data.append(' ')   #外国名字留空

            rating = re.findall(findRating,item)
            data.append(rating)                     #添加评分
            judgeNum = re.findall(findJudge,item)
            data.append(judgeNum)                   #添加评价人数
            inq = re.findall(findInq,item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")
                data.append(inq)                    #添加概述，可能会没有
            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()) #去掉前后空格
            datalist.append(data)   #把处理好的一部电影信息放入datalist
    print(datalist)
    return datalist


#得到一个指定的URL的网页内容(打包成函数 方便重复运行)
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 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
    }       #用户代理，告诉服务器我们是什么类型的浏览器（本质上是告诉浏览器，我们可以接受什么水平的信息）
    request = urllib.request.Request(url,headers=head)
    html = ''
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode('utf-8')
    except urllib.error.URLError as e:#返回浏览器内部错误
        if hasattr(e,'code'):       #服务器代码问题
            print(e.code)
        if hasattr(e,'reason'):     #捕获失败原因
            print(e.reason)
    return html

#保存数据
def saveData(datalist,savepath):
    print('save.....')
    book = xlwt.Workbook(encoding='utf-8',style_compression=0)      # 创建workbook工作表；style_compression样式压缩效果
    sheet = book.add_sheet('豆瓣电影250Top',cell_overwrite_ok=True)  # 创建工作表；cell_overwrite_ok覆盖以前内容
    col = ("电影详情链接","图片链接","电影中文名","电影外国名","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
        print("第%d条" %(i+1))
    for i in range(0,250):
        print("第%d条" %(i+1))
        data = datalist[i]
        for j in range(0,7):
            sheet.write(i+1,j,data[j])#数据
    book.save(savepath)

#主函数调用
if __name__ == "__main__":
    main()
    print("爬取完毕")