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