豆瓣爬取影片的爬虫

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")