第一次练手爬取豆瓣电影排名top250

从b站看了如何爬取豆瓣电影top250的视频，就是跟着练习实现了，就把代码贴了一下。

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excel操作
import sqlite3                  #进行数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    #爬取网页
    datalist =getDate(baseurl)
    savepath ="f:\\douban.xls"
    #保存数据
    saveDate(datalist,savepath)
#影片详情的正则表达式
findlink = re.compile(r'<a href="(.*?)">')            #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findimgsrc = re.compile(r'<img .*src="(.*?)"',re.S)    #RE.S让换行符包含在字符中
#影片片名
findtitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findrating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findnumber =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

        #逐一进行解析
        soup = BeautifulSoup(html,"html.parser")   #对html解析
        for item in soup.find_all('div',class_ ="item"):      #查找符合要求的字符串，形成列表,class加下划线表示属性
            #print(item)
            data = []           #保存一部电影的所有信息
            item = str(item)     #转换字符
            #影片详情连接
            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)
            title = re.findall(findtitle, item)
            if (len(title)==2):
                ctitle = title[0]                      #添加中国名
                data.append(ctitle)
                otitle =title[1].replace("/","")    #去掉无关的符号
                data.append(otitle)
            else:
                data.append(title[0])
                data.append(' ')             #外国名留空
            number = re.findall(findnumber, item)[0]          #添加评价人数
            data.append(number)
            rating = re.findall(findrating, item)[0]         #添加评分
            data.append(rating)
            inq = re.findall(findinq, item)
            if len(inq) !=0:
                inq = inq[0].replace("。","")      #去掉句号
                data.append(inq)            #添加概述
            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)                    #去掉/
            data.append(BD.strip())             #去掉前后空格

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

    return datalist


#得到指定一个URL的网页内容
def askURL(url):
    #head用来模拟浏览器头部信息，伪装，用户代理
    head = {"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64);AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36"}
    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):
    book = xlwt.Workbook(encoding='utf-8',style_compression=0)         #创建workook对象
    sheet = book.add_sheet('豆瓣电影TOP250',cell_overwrite_ok=True)
    col = ("电影详情链接",'图片链接','影片中文名','影片外国名','评价数','评分','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):
        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__":
    #调用函数
    main()

最后的excel表存储的内容