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,获取网页数据 import xlwt #进行excel操作 import sqlite3 #进行SQLITe操作 def main(): baseurl = "https://movie.douban.com/top250?start=" #1.爬取网页 datalist = getDate(baseurl) savepath ="豆瓣电影Top250.xls" #3.保存数据 saveDate(datalist,savepath) # askURL("https://movie.douban.com/top250?start=") #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 #影片图片的链接 findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #re.S让换行符包含在字符中 #影片的片名 findTitle = re.compile(r'<span class="title">(.*?)</span>') #影片的评分 findRating = re.compile(r'<span class="rating_num" property="v:average">9.7</span>(.*)</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>') #找到影片的相关内容 findBd = re.compile(r'<p class="">(.*?)</p>',re.S) #爬取网页 def getDate(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) 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) #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) #添加链接 imgSrc = re.findall(findImgSrc,item)[0]#添加图片 data.append(imgSrc) titiles = re.findall(findTitle,item) #片名可能只有中文名 if(len(titiles)== 2): ctitle = titiles[0] #添加中文名 data.append(ctitle) otitle = titiles[1].replace("/","") #去掉无关的符号 data.append(otitle) #添加外国名 else: data.append(titiles[0]) data.append(' ') #外国名留空 rating = re.findall(findRating,item) #添加评分 data.append(rating) judgeNum = re.findall(findJudge,item)[0] #添加评价人数 data.append(judgeNum) inq = re.findall(findInq,item) #添加概述 if len(inq) != 0: inq = inq[0].replace("。","") #去掉句号 data.append(inq) else: data.append(" ") #留空 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()) #去掉前后的空格 datalist.append(data) #把处理好的一部电影信息放入datalist data.append(inq) print(datalist) 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 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 91.0.4472.164Safari / 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,我们可以接受什么水平的内容 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 #保存数据 def saveDate(datalist,savepath): print("sae...") 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): 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(savepath) #保存 if __name__ =="__main__":#当程序执行时 #调用函数 main() print("爬取完毕")
豆瓣爬取影片的爬虫
最新推荐文章于 2024-06-24 14:52:41 发布