基于python的简易爬虫的构建（以爬取豆瓣电影信息为例）

一、必用库的导入：

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 #指定url，获取网页数据
import xlwt #进行excel操作，将数据存在excel文件中
import urllib.request #对网页进行请求操作

二、功能实现的步骤划分

1、网页的爬取
2、数据的解析
3、数据的保存

数据的解析应该在爬取阶段同步进行，实现边爬取边解析。

网页爬取的需要进行一定伪装，有些网站会阻止爬虫访问（418错误）

伪装在程序中有一定体现，具体如何伪装视网页而定（主要是利用header）

三、代码实现（豆瓣top250电影的爬取）

#-*- coding = utf-8 -*-
#@Time : 2021/1/27 10:33
#@Author : 夏帆
#@File : 爬取.py
#@Software : PyCharm

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  #指定url，获取网页数据
import xlwt #进行excel操作
import sqlite3 #进行sqlite操作
import urllib.request #对网页进行请求操作

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist = getdata(baseurl)
    savepath = ".\\豆瓣电影top250.xls"
    #2.解析数据（逐一解析）（在第一步中进行）
    #3.保存数据
    savedata(datalist,savepath)

    askurl("https://movie.douban.com/top250?start=0")

#影片详情链接
findlink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示字符串的规则模式
#影片图片
findimgsrc = re.compile(r'<img.*src="(.*?)">',re.S) #re.S让换行符包含在字符中
#片名
findtitle = re.compile(r'<span class="title">(.*)</span>')
#评分
findrate = 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>')
#简况
findinp = re.compile(r'span class="inq">(.*)</span>')
#相关内容
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)
        #解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_= "item"): #寻找符合要求的字符串，形成列表
            #print(item) #测试
            data = [] #保存一部电影信息
            item = str(item)

            #电影的各种信息提取 #通过正则表达式查找字符串
            link = re.findall(findlink,item)[0]
            data.append(link)

            img = re.findall(findimgsrc,item)[0]
            data.append(img)

            title = re.findall(findtitle,item)
            if(len(title) == 2):
                ctitle = title[0] #中文名
                data.append(ctitle)
                ftitle = title[1].replace("/","")
                data.append(ftitle) #外国名
            else:
                data.append(title)
                data.append(" ") #留空 方便导入数据库等

            rate = re.findall(findrate,item)[0]
            data.append(rate)

            judge = re.findall(findjudge,item)[0]
            data.append(judge)

            inp = re.findall(findinp,item)
            if len(inp)!=0:
                inp = inp[0].replace("。","")
                data.append(inp)
            else:
                data.append(" ") #同理留空

            bd = re.findall(findbd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉br
            bd = re.sub('/'," ",bd)
            data.append(bd.strip()) #去掉前后空格

            datalist.append(data) #将处理好的数据（一部电影）存入datalist
    # for i in range(len(datalist)):
    #     print(datalist[i]) #测试
    return datalist

#得到指定一个url的网页内容(爬取)
def askurl(url):
    head = {    #模拟浏览器头部，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 86.0.4240.198Safari / 537.36"
    }#告诉豆瓣，我们是什么浏览器（本质是告诉浏览器我们可以接受什么水平的数据）

    request = urllib.request.Request(url,headers=head)
    html = ""

    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        #print(html) #测试
    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):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet('豆瓣电影',cell_overwrite_ok=True)
    col = ("电影详情链接","图片链接","影片中文名","影片英文名","评分","评价数","概况","相关信息")
    for i in range(0,8):
        worksheet.write(0,i,col[i])
    for i in range(0,250):
        print("第%d行"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])
    workbook.save(savepath)

if __name__ == '__main__':
    main()