爬虫项目

 

爬取豆瓣评分电影Top250的爬虫
爬取的就是这个网站：https://movie.douban.com/top250

 

爬取的内容是：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。

 

大体流程分三步走：

1. 爬取网页
2.逐一解析数据
3. 保存网页

先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) ,
我们来看 getData方法

for i in range(0, 10): # 调用获取页面信息的函数，10次
url = baseurl + str(i * 25)

这段大家可能看不懂，其实是这样的：
因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时

然后又调用了askURL来请求网页，这个方法是请求网页的主体方法

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, like Gecko) Chrome / 80.0.3987.122 Safari / 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，我们可以接收什么水平的文件内容）

　　request = urllib.request.Request(url, headers=head)
　　html = ""
　　try:
　　　　response = urllib.request.urlopen(request)
　　　　html = response.read().decode("utf-8")
　　　　except urllib.error.URLError as e:
　　if hasattr(e, "code"):
　　　　print(e.code)
　　if hasattr(e, "reason"):
　　　　print(e.reason)
　　　　return html

逐一解析数据

解析数据这里我们用到了 BeautifulSoup（靓汤） 这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。

下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的
正则表达式去匹配，

findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象，标售规则 影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

匹配到符合我们要求的数据，然后存进 dataList ， 所以 dataList 里就存放着我们需要的数据了。

 

保存数据

保存数据可以选择保存到 xls 表， 需要（xlwt库支持）

保存到 xls 的主体方法是 saveData

def saveData(datalist,savepath):
　　print("save.......")
　　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)) #输出语句，用来测试
　　　　data = datalist[i]
　　　　for j in range(0,8):
　　　　　　sheet.write(i+1,j,data[j]) #数据
　　book.save(savepath) #保存

 

完整代码如下：

# -*- codeing = utf-8 -*- 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
findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，标售规则   影片详情链接的规则 findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) findTitle = re.compile(r'<span class="title">(.*)</span>') findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') findJudge = re.compile(r'<span>(\d*)人评价</span>') findInq = re.compile(r'<span class="inq">(.*)</span>') findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
def main():     baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接     # 1.爬取网页     datalist = getData(baseurl)     savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS，存储进去     # dbpath = "movie.db"              #当前目录新建数据库，存储进去     # 3.保存数据     saveData(datalist,savepath)      #2种存储方式可以只选择一种     # saveData2DB(datalist,dbpath)
# 爬取网页 def getData(baseurl):     datalist = []  #用来存储爬取的网页信息     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             data = []  # 保存一部电影所有信息             item = str(item)             link = re.findall(findLink, item)[0]  # 通过正则表达式查找             data.append(link)             imgSrc = re.findall(findImgSrc, item)[0]             data.append(imgSrc)             titles = re.findall(findTitle, item)             if (len(titles) == 2):                 ctitle = titles[0]                 data.append(ctitle)                 otitle = titles[1].replace("/", "")  #消除转义字符                 data.append(otitle)             else:                 data.append(titles[0])                 data.append(' ')             rating = re.findall(findRating, item)[0]             data.append(rating)             judgeNum = re.findall(findJudge, item)[0]             data.append(judgeNum)             inq = re.findall(findInq, item)             if len(inq) != 0:                 inq = inq[0].replace("。", "")                 data.append(inq)             else:                 data.append(" ")             bd = re.findall(findBd, item)[0]             bd = re.sub('<br(\s+)?/>(\s+)?', "", bd)             bd = re.sub('/', "", bd)             data.append(bd.strip())             datalist.append(data)
    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, like Gecko) Chrome / 80.0.3987.122  Safari / 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，我们可以接收什么水平的文件内容）
    request = urllib.request.Request(url, headers=head)     html = ""     try:         response = urllib.request.urlopen(request)         html = response.read().decode("utf-8")     except urllib.error.URLError as e:         if hasattr(e, "code"):             print(e.code)         if hasattr(e, "reason"):             print(e.reason)     return html

# 保存数据到表格 def saveData(datalist,savepath):     print("save.......")     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))       #输出语句，用来测试         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()     # init_db("movietest.db")      print("爬取完毕！")
实验结果截图如下：