首先,作为练手,我也是看别人的博客文章学习写爬虫的,过程中遇到很多问题,不过经过自己的努力完成了此项任务,虽然过程波折,但是收获不会少,作为自学可谓加深印象。先说下需求,使用Python3.5版本获取豆瓣950多部电影排行信息,包含电影名称、导演、主演、编剧、类型、时长、上映时间、评分、票房、评分人数等一系列信息。
参考文章:https://blog.csdn.net/Fighting_No1/article/details/50926008?locationNum=8&fps=1
#!/usr/bin/python
#-*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import re
import urllib.request
import xlwt
#得到页面全部内容
def askURL(url):
fakeHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; rv:16.0) (Gecko/20100101 Firefox/16.0)'}#伪装请求头
request = urllib.request.Request(url, headers=fakeHeaders)#发送请求
proxy = urllib.request.ProxyHandler({'http': 'http://192.168.1.11:1080'})#设置代理
opener = urllib.request.build_opener(proxy)#打开代理
urllib.request.install_opener(opener)#使用代理
try:
response = urllib.request.urlopen(request)#取得响应
html = response.read()#获取网页内容
return html
except urllib.request.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
#获取相关内容
def getData(baseurl):
#re.M或re.MULTILINE:使用^或$时会匹配每一行的行首或行尾
#re.S或re.DOTALL:使用.时能匹配换行符
# 找到片名
findTitle=re.compile(r'<a .*?>(.*?)</a>', re.S|re.M)
#找到评分
findRating=re.compile(r'<span class="rating_nums">(.*)</span>')
#找到评价人数
findJudge=re.compile(r'<span>(.*)</span>')
#找到影片相关内容:导演,主演,类型,制片国家,年份
findAbstract=re.compile(r'<div class="abstract">(.*)</div>', re.S)
#找到发行类别、上映时间、总票房
findQuote=re.compile(r'<blockquote class="comment">(.*)</blockquote>', re.S)
datalist = []
for i in range(0,39):
#url每页显示25条数据,所以需要循环遍历
url=baseurl+str(i*25)#+'&sort=seq&sub_type='
html=askURL(url)
soup = BeautifulSoup(html, "html5lib", from_encoding="utf-8")
for item in soup.find_all('div', class_='doulist-item'):#找到每一个影片项
data = []
item = str(item)#转换成字符串
titles = re.findall(findTitle, item)#获取电影名称
newtitles = re.sub('\s', '', titles[1])#去掉\n符和空白
data.append(newtitles) # 添加中文片名
rating = re.findall(findRating, item)#获取评分,评分貌似也有为空的
if (len(rating) == 1):
score = rating[0]
data.append(score)#添加评分
else:
data.append(' ')# 留空
judgeNum=re.findall(findJudge, item)[0]#获取评价数量,评价数量貌似也有为空的
newJudgeNum = re.findall(r'\d+', judgeNum)#取出数字
if len(newJudgeNum) != 0:
peoplenum = newJudgeNum[0]
data.append(peoplenum)#添加评价数量
else:
data.append(' ')# 留空
a = re.findall(findAbstract, item)
#这里可能会有空字符串出现
if len(a) != 0:
abstract=re.findall(findAbstract, item)[0]
abstract = re.sub('\s', "", abstract)#替换/
abstract = re.sub('</div>', "", abstract) # 去掉<br>
words=abstract.split("<br/>")
#测试发现主演有为空值的现象,此处在为空值的位置添加字眼“主演:”,便于切割字符串
if (len(words) != 5):
words.insert(1, '主演: ') # 留空
#对字符串进行切割,得到导演、主演、电影类型、制片国家、电影所属年份
director = words[0].split(':')[1]#导演
data.append(director) # 放到列表data中
mainactor = words[1].split(':')#主演有为空的
if len(mainactor) != 0:
actor = mainactor[1]
data.append(actor)#添加主演
else:
data.append(' ') # 留空
movietype = words[2].split(':')[1]#电影类型
data.append(movietype) # 放到列表data中
makercountry = words[3].split(':')[1]#制片国家
data.append(makercountry) # 存入列表data中
movieofyear = words[4].split(':')#电影所属年份
if len(movieofyear) != 0:
year = movieofyear[1]
data.append(year[:4])
else:
data.append(' ') # 留空
else:
words=['导演: ', '主演: ', '类型: ', '制片国家/地区: ', '年份: ']
director = words[0].split(':')[1] # 导演
data.append(director) # 放到列表data中
mainactor = words[1].split(':')
data.append(mainactor)
movietype = words[2].split(':')[1]
data.append(movietype)
makercountry = words[3].split(':')[1] # 制片国家
data.append(makercountry) # 存入列表data中
movieofyear = words[4].split(':') # 电影所属年份
data.append(movieofyear)
quote = re.findall(findQuote, item)
# 处理空列表的情况出现
if len(quote) != 0:
info = re.sub('\s', '', quote[0]) # 去掉\n符和空白
else:
quote.insert(0, '总票房: | 上映日期: | 发行类别: ')#当发现有空数据时
info = quote[0]
#对获取到的字符串进行切割处理,以竖线为分割线进行切割
separatequote = info.split("|")
# 对字符串进行切割,得到总票房、上映日期、发行类别
pricehouse = separatequote[0].split(":")[2:]#总票房
if len(pricehouse) != 0:
data.append(pricehouse[0])
else:
data.append(' ')
releasedate = separatequote[1].split(":")[1:] # 上映日期
if len(releasedate) != 0:
data.append(releasedate[0])
else:
data.append(' ')
releasetype = separatequote[2].split(":")[1:]#发行类别
if len(releasetype) != 0:
data.append(releasetype[0])
else:
data.append(' ')
#print(data)
datalist.append(data) # 放到大列表datalist中
return datalist
#将相关数据写入excel中
def saveData(datalist, savepath):
book = xlwt.Workbook(encoding='utf-8', style_compression=0)
sheet=book.add_sheet(u'豆瓣电影', cell_overwrite_ok=True)
col = ('影片名', '评分', '评价人数', '导演', '主演', '类型', '制片国家', '年份', '总票房', '上映时间', '发行类别')
for i in range(0, len(col)):
sheet.write(0, i, col[i])#列名,表格的第一行开始写。第一列,第二列。。。。
for i in range(0, 953):#从第零行开始至952行
data = datalist[i]
for j in range(0, len(col)):
sheet.write(i+1, j, data[j])#数据
book.save(savepath)#保存
if __name__ == '__main__':
baseurl = 'https://www.douban.com/doulist/1295618/?start='
datalist = getData(baseurl)
savepath = u'中国内地电影票房总排行.xls'
saveData(datalist, savepath)
输出效果:
注意事项:这里输出发现第50条数据有问题,可通过手动删除得到其余952条电影信息,暂时不知道原因无法修正,如果你们发现了告诉我一声,我也好改正。我在程序中写入了953行,这样多余的冗余数据可通过手动删除来规避。
转载请标明原作者出处,谢谢