python--爬虫文本练习--（豆瓣影评TOP250）

1、安装爬虫必要的库

ps:在命令行或者pycharm中的终端进行安装

pip install beautifulsoup4      #用于解析HTML和XML文档，帮助您从网页中提取所需的数据。
pip install xlwt     # 用于创建和操作Excel文件

2、实现效果

3、具体代码 

# 设置编码为utf-8，确保可以处理中文字符
# -*- coding: utf-8 -*-

# 导入所需的库
from bs4 import BeautifulSoup  # 用于网页解析
import re  # 正则表达式，用于文本匹配
import urllib.request, urllib.error  # 用于制定URL和获取网页数据
import xlwt  # 用于操作Excel

# 定义正则表达式，用于从网页中提取所需的信息
findLink = re.compile(r'<a href="(.*?)">')
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


def main():
    # 设置要爬取的网址基础部分
    baseurl = "https://movie.douban.com/top250?start="
    # 获取数据
    datalist = getData(baseurl)
    # 设置保存Excel文件的路径
    savepath = "豆瓣电影Top250.xls"
    # 保存数据到Excel文件
    saveData(datalist, savepath)


# 获取网页数据
def getData(baseurl):
    datalist = []  # 存储爬取的数据
    # 对网页进行循环爬取，每次爬取25部电影的信息
    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)  # 获取网页源代码
        # 使用BeautifulSoup进行网页解析
        soup = BeautifulSoup(html, "html.parser")
        # 查找所有符合条件的电影信息
        for item in soup.find_all('div', class_="item"):
            data = []  # 存储单部电影的信息
            item = str(item)
            # 使用正则表达式提取电影链接
            link = re.findall(findLink, item)[0]
            data.append(link)
            # 使用正则表达式提取电影图片链接
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            # 使用正则表达式提取电影标题
            titles = re.findall(findTitle, item)
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "")
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')
            # 使用正则表达式提取电影评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            # 使用正则表达式提取评价人数
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)
            # 使用正则表达式提取电影概述
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")
            # 使用正则表达式提取电影相关信息
            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', "", bd)
            bd = re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)
    return datalist


# 请求指定URL并返回网页内容
def askURL(url):
    # 设置浏览器的User-Agent信息，模拟浏览器访问
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36"
    }
    # 创建请求对象并设置头部信息
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        # 打开URL并读取内容
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        # 异常处理
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 将爬取的数据保存到Excel文件中
def saveData(datalist, savepath):
    print("saving data...")
    # 创建一个新的Excel工作簿
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)
    # 添加一个工作表
    sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True)
    # 设置列名
    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])
    # 将数据写入工作表
    for i in range(0, 250):
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i + 1, j, data[j])
    # 保存Excel文件
    book.save(savepath)


if __name__ == "__main__":
    # 当程序执行时，执行main函数
    main()
    print("爬取完毕！")