爬虫--豆瓣Top250有关数据

# —*- coding = utf-8 -*-
# Author : tian
# 时间 : 2021/4/12 9:36

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  # 指定url,获取网页数据
import xlwt  # 进行excel操作
import sqlite3  # 进行Sqlite数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1. 爬取网页
    datalist = getData(baseurl)
    savepath = "top250.xls"
    # 3. 保存数据
    saveData(datalist,savepath)


# 影片详情链接的规则
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)
# 影片图片的规则
findImgSrc = re.compile(r'<img.*src=(.*?)" ', re.S)  # re.S 让换行符包含在字符中,忽视换行符
# 影片片名的规则
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
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 找到概述
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)
# 去掉无关内容
remove=re.compile(r'                            |\n|</br>|\.*')


# 爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存获取到的的网页源码

        # 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,形成列表
            # print(item)
            data = []  # 保存一部电影的所有信息
            item = str(item)

            # 获取影片的详细链接
            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)

            # 添加图片
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            # 名字
            titles = re.findall(findTitle, item)  # 片名可能只有一个中文名,没有外国名
            if (len(titles) == 2):
                ctitle = titles[0]  # 中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  # replace用来去掉斜杠
                data.append(otitle)  # 外国名
            else:
                data.append(titles[0])
                data.append('  ')  # 外国名字留空

            # 添加评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)

            # 添加评价人数
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            # 添加概述
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")  # 去掉句号
                data.append(inq)
            else:
                data.append("   ")  # 留空

            # 影片的相关内容
            bd = re.findall(findBd, item)[0]
           # bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)  # 去掉<br/>
            bd = re.sub(remove, "", bd)
            bd = re.sub('<br(\s+)?\/?>(\s+)?', " ", bd)
            bd = re.sub('/', " ", bd)  # 替换
            data.append(bd.strip())  # 去掉空格

            datalist.append(data)  # 把处理好的一部电影信息放入datalist
    # print(datalist)
    return datalist


def askURL(url):
    # 模拟浏览器头部信息,向豆瓣服务器发送消息
    head = {
        "User-Agent": " Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.75"}
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.request.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据
def saveData(datalist,savepath):
    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", "评价人数", "概况", "相关信息")
    for i in range(0, 8):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        print("第%d条" % (i + 1))
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i + 1, j, data[j])

    book.save(savepath)


if __name__ == '__main__':
    main()
    print("爬取完毕!")
在这里插入代码片

正则表达式的表示很重要

上一篇:豆瓣电影Top250基本信息抓取


下一篇:正则表达式加golang爬虫爬取经典案例豆瓣top250