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