python爬虫——爬取豆瓣top250电影信息
获取豆瓣top250电影信息,包括电影海报链接、详情链接、中/外文名、评分、评价人数、一句话评价等
环境
- 系统 :macOS Catalina -V 10.15.4
- IDE :Vscode -V 1.46.0
- 语言 :Python -V 3.7.7
- 库 :urllib、bs4、re、ssl、xlwt
非自带包都是使用如下语句安装:
pip install package-name
实现步骤
URL:https://movie.douban.com/top250
对网页进行简单分析发现,一共有10个页,每个页面有25部电影的信息。
各页面的URL构成为
https://movie.douban.com/top250?start=i(i for i in range(10))
构造源码请求函数
伪装请求头,获取目标网页源码网页获取
import urllib.request, urllib.error
import ssl
def askURL(url):
'''
用于请求网页源码
'''
#部分网站会根据请求头中的User-Agent内容进行判断,如果是爬虫则限制访问,所以要对请求头进行伪装,模拟浏览器访问,根据需要还可添加其它头部信息
#User-Agent信息可以用Chrome打开网页,按F12打开Web检查器,在Network栏目下的Headers中可找到
head = {}
head["User-Agent"] = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36"
request = urllib.request.Request(url, headers = head)
html = "" #用于接收网页的源码信息
context = ssl._create_unverified_context()
'''
当使用urllib打开https的链接时,会检验一次ssl证书.
而当目标网站使用的是自签名证书时,就会抛出urllib2.URLError的错误.
解决办法一:ssl._create_default_https_context = ssl._create_unverified_context 全局取消证书验证
解决办法二:创建未验证的上下文,在url中传入上下文参数 context = ssl._create_unverified_context()
'''
try:
response = urllib.request.urlopen(request, context= context)
html = response.read().decode() #read()函数获取到的是bytes类型的数据,decode()用于将其解码
except urllib.error.HTTPError as e:
if hasattr(e, "code"): #hasattr()判断一个对象是否含有某种属性
print(e.code) #code 为http状态码
if hasattr(e, "reason"):
print(e.reason) #错误原因
return html
获取目标数据
使用bs4和re库提取网页源码中的目标信息
可以看到想要获取的信息在一个div class="item标签中
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则模块,提取信息
#创建正则表达式,获取对应信息
#影片详情连接
findLink = re.compile(r'<a href="(.*?)">')
#影片图片连接
findimgSrc = re.compile(r'src="(.*?)"', re.S) #re.S 忽略换行符
#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>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#一句话评价
findInq = re.compile(r'<span class="inq">(.*?)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
def getData(baseurl):
datalist = []
for i in range(10):
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
#解析数据
#BeautifulSoup4将复杂文档转换成一个复杂的树形结构,便于获取指定内容,需指定目标数据和和解析器
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all("div", class_ = "item"): #查找符合要求的所有字符串形成列表,类似于css选择器
# print(item) #测试查看电影item信息是否获取到
data = [] #保存一部电影的全部信息
item = str(item) #item是bs4.element.Tag类型的,需要转换成字符串类型,便于使用正则提取信息
link = re.findall(findLink, item)[0]
#根据findLink匹配item中的字段,并返回匹配信息,如r'<a href="(.*?)">'中(.*?)就是所匹配到的信息,r表示忽略转义等特殊字符作为普通字符处理
data.append(link)
imgSrc = re.findall(findimgSrc, item)[0]
data.append(imgSrc)
title = re.findall(findTitle, item)
if len(title) >= 2:
data.append(title[0])
data.append(re.sub(r'\xa0', '', title[1].replace("/", "")))
else:
data.append(title[0])
data.append(' ')
rating = re.findall(findRating, item)[0]
data.append(rating)
judge = re.findall(findJudge, item)[0]
data.append(judge)
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = re.sub(r'\xa0', '', inq[0])
data.append(inq.replace("。", ""))
else:
data.append(' ')
bd = re.findall(findBd, item)[0]
bd = re.sub('...<br(.*?)>', ' ', bd)
bd = re.sub(r'/', ' ', bd)
bd = re.sub(r'\xa0', ' ', bd)
data.append(re.sub(r'\n ', '', bd).strip())
# print(data, end='')
datalist.append(data)
return datalist
保存数据到excel
使用xlwt模块创建操作excel
import xlwt
def savaData(data, path):
workbook = xlwt.Workbook(encoding="utf-8") #实例化一个工作区,相当于构建一个框架
worksheet = workbook.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表,cell_overwrite_ok=True 表示可以对单元格进行重设值
col = ('电影详情连接', '图片链接', '影片中文名', '影片外文名', '评分', '评价数', '概况', '相关信息')
for i in range(8):
worksheet.write(0, i, col[i]) #第一个参数表示行,第二个参数为列,第三个参数为要写入的内容,行列都是从0开始
for i in range(250):
for j in range(8):
worksheet.write(i+1, j, data[i][j]) #写入数据
print('第%d条'%i)
workbook.save(path) #保存
测试
baseurl = 'https://movie.douban.com/top250?start='
datalist = getData(baseurl)
savePath = '豆瓣电影Top250.xls'
savaData(datalist, savePath)
成功获取数据