01python爬虫

❥任务：爬取豆瓣Top250 基本信息（名称、评分、评价数、电影概况、电影链接）

02完整源码

❥准备工作
❥获取数据
❥解析数据
❥保存数据

# 准备工作
# https://movie.douban.com/top250
from Crypto.SelfTest.Hash.test_SHAKE import data
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,数据提炼
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sqlite数据库操作



def main():
    baseUrl = 'https://movie.douban.com/top250?start='
    askURL(baseUrl)
    datalist = getData(baseUrl)
    savepath = ".\\豆瓣TOP250.xls"
    #保存数据
    saveData(datalist, savepath)


# 创建影片超链接正则表达式
findLink = re.compile(r'<a href="(.*?)">')
# 创建图片正则表达式
findImgSrc = re.compile(r'<img .* src="(.*?)"', re.S)  # re.S的作用是让换行符包含在字符串中
# 创建影片名正则表达式
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 创建评分正则表达式
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 创建评价人数正则表达式
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 创建概况正则表达式
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 创建影片相关内容正则表达式
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

# 爬取网页
def getData(baseUrl):
    datalist = []
    for i in range(0,10):
        url = baseUrl + str(i * 25)
        html = askURL(url)  # 保存获取到的网页
        # 逐一解析数据
        soup = BeautifulSoup(html, 'html.parser')  # 也可以使用lxml代替html.parser作为解析器
        # print(soup.find_all('div', class_="item"))
        for item in soup.find_all('div', class_="item"):
            data = []  # 保存一部电影的所有信息
            item = str(item)  # 将列表转换为字符串
            # print(item)
            # break
            # 获取影片超链接
            link = re.findall(findLink, item)[0] #re库通过正则表达式来查找指定的字符串
            data.append(link)  # 添加超链接(link)
            #  获取图片链接

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

            # 获取文章标题
            titles = re.findall(findTitle, item)      # 片名可能只有中文名，没有外国名
            if len(titles) == 2:                      # 如果有中文和外国名需要分别添加
                ctitle = titles[0]
                data.append(ctitle)                   # 添加中文名
                otitle = titles[1].replace("/", " ")  # 去掉标题中的/字符
                data.append(otitle.split())           # 添加英文名,并将空格去掉
            else:
                data.append(titles[0])
                data.append(" ")  # 留空

            # 获取影片评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)  # 添加影片评分

            # 获取评价人数
            judge = re.findall(findJudge, item)[0]
            data.append(judge)  # 添加评论人数

            # 获取概况
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")
                data.append(inq)  # 添加概况
            else:
                data.append(" ")

            # 获取影片内容
            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\\s+)?/>(\\s+)', " ", bd)  # 使用空格替换掉<br', '>'
            bd = re.sub('/', " ", bd)  # 使用空格替换掉/
            data.append(bd.split())  # 去掉前后的空格（\xa0代表空白符&nbsp 使用strip()无法去掉）
            # print(data)
            datalist.append(data)  # 将一页的电影信息添加进去
    return datalist
# 获取网页链接
def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36"
    }
    req = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(req)
        html = response.read().decode('utf-8')  # read()获取响应体的内容，内容是bytes字节流，需要转换成字符串
        # 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 saveData(datalist,savepath):
    print("saving...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  #创建workbook对象
    sheet = book.add_sheet("豆瓣TOP250",cell_overwrite_ok=True) #创建工作室
    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("%d条数据已读取" %i)
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])

    book.save("doubanTOP250.xls")
    
if __name__ == '__main__':
    main()

---

saving...
0条数据已读取
1条数据已读取
2条数据已读取
3条数据已读取
4条数据已读取
5条数据已读取
...

03保存数据到 Excel

大功告成！
欢迎指正！