爬虫 爬取豆瓣电影Top250并保存数据至表格

步骤

• 准备工作
• 获取数据
• 解析内容
• 保存数据

#-*- 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 requests
import xlwt   #进行execl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 = "豆瓣电影Top250.xls"
    #3.保存数据
    saveData(datalist,savepath)

    #askURL("https://movie.douban.com/top250?start=")

#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
#影片片名的规则
findTitle = re.compile(r'<span class="title">(.*?)</span>')
#影片评分的规则
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到评价人数
findJudge = re.compile(r'<span>"(.*?)"</span>')   #<span>2322518人评价</span>
#找到概况
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)


#1.爬取网页
def getData(baseurl):
    datalist = []
    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
'''
  解析页面内容：1）使用BeautifulSoup定位特定的标签位置
               2）使用正则表达式找到具体的内容
'''
        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
            #div 同时有class属性，属性中是item的内容
            #print(item)  测试：查看电影item全部信息
            data = []  #保存一部电影的所以信息
            item = str(item)

            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)

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

            Title = re.findall(findTitle, item)    #片名
            if(len(Title)==2):
                ctitle = Title[0]                  #添加中国名
                data.append(ctitle)
                otitle = Title[1].replace("/","")  #去掉无关符号
                data.append(otitle)                #添加外文名
            else:
                data.append(Title[0])
                data.append(' ')    #外文名留空

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

            Judge = re.findall(findJudge, item)    #添加评分人数
            data.append(Judge)

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

            Bd = re.findall(findBd, item)[0]
            Bd = re.sub('<br(\s+)?/>(\s+)?'," ",Bd)  #去掉<br/>
            Bd = re.sub('/'," ",Bd)  #替换/
            data.append(Bd.strip())   #去掉前后的空格

            datalist.append(data)   #将处理好的一部电影信息放入datalist中

    return datalist




#得到指定一个URL的网页内容
def askURL(url):
    head = {           #模拟浏览器的头部信息，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/89.0.4389.90 Safari/537.36 Edg/89.0.774.63"
    }
                       #用户代理，表示告诉服务器：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 = requests.get(url,headers = head)
    html = ""
    try:
        html = request.content.decode()
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html





#3.保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)
    col = ("电影详情链接","图片链接","影片中文名","影片外文名","评分","评分数","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))    #条数
        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__":  #当函数执行时
    #调用函数
    main()
    print("爬取完毕!")