python爬虫（解析网页）

最近在学习python爬虫，简单记录下写爬虫的笔记

# -*- coding = utf-8 -*-
# @Time: 2021/1/27
# @File: spider.py
# @Software: PyCharm

import urllib.request  # 指定URL，获取网页数据
from bs4 import BeautifulSoup  # 正则表达式，进行文字匹配
import xlwt  # 进行excel操作
import sqlite3  # 进行sqlite数据库操作
import re  # 正则


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    dataList = getData(baseurl)
    print(dataList)
    savepath = "豆瓣电影Top250.xls"
    # 3.保存数据
    saveData(dataList, savepath)


# 3.保存数据
def saveData(datalist, savePath):
    print("保存。。。")
    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", "影片外文名", "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("第%d条" % (i+1))
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i + 1, j, data[j])
    book.save(savePath)  # 保存
    print("爬取完毕。。。")


# 匹配影片详情链接的正则
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）
# 影片图片正则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S忽略换行符
# 影片的片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 影片的评分
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>')
# 概况
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):  # 爬取网页
    dataList = []
    for i in range(0, 10):  # 0-9次共十次，每次25条数据，共250条
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存获取到的网页源码
        # 2.解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的内容，形成列表
            data = []  # 保存一部电影的所有信息
            item = str(item)  # 转变成字符串，用正则匹配

            # 影片详情的链接
            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)
            # 影片图片
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            # 标题
            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]
                data.append(ctitle)  # 添加中文名
                atitle = titles[1].replace("/", "")  # 替换
                data.append(atitle)  # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')  # 外国名留空
            # 评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            # 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(" ")
            # 影片相关内容
            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())  # 去掉前后空格
            dataList.append(data)
    return dataList


def askURL(url):  # 得到指定的一个URL的网页内容
    head = {  # 模拟浏览器的头部信息，向服务器发送消息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"
    }  # user-agent用户代理，表示告诉服务器，我们是什么类型的机器（浏览器）

    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except Exception as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


if __name__ == "__main__":  # 当程序执行时
    main()