本文是作者在通过B站跟着李巍老师学习以后所写,记一次学习笔记,自己为了方便自己以后回顾模仿 。
本文是最终爬取排行榜,相关知识储备在我的微信公共号(名称:PromisingQ)已发,后续还会不定期更新:
话不多说,直接上代码(代码中备注较多,有看不懂得可以公众号私信我):
#-*- coding = 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 xlwt #进行excel操作
import sqlite3 #进行sqlite数据库操作
#1.爬取网页
#2.逐一解析数据
#3.保存数据
def main():
baseurl = "https://movie.douban.com/top250?start="
#1.爬取网页
datalist = getData(baseurl)
#savepath = "./" #当前文件夹
savepath = ".\\豆瓣电影Top250.xls" #文件系统
#3.保存数据
saveData(datalist,savepath)
#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
#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>')
#影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
#爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10): #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
#print(html)
#2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表
#print(item)
data = [] #保存一部电影的所有信息
item = str(item)
#获取影片的超链接
link = re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定字符串
#print(link) #[0]表示只要可能的多个匹配对象的第一个
data.append(link) #添加链接
imgsrc = re.findall(findImgSrc,item)[0]
data.append(imgsrc)
titles = re.findall(findTitle,item) #p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
otitle = titles[1].replace("/","") #去掉无关符号/
data.append(otitle) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名留空
rating = re.findall(findRating,item)[0]
data.append(rating)
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
inq = re.findall(findInq,item)
if(len(inq)) != 0: #可能为空
inq = inq[0].replace("。","") #去掉 。
data.append(inq)
else:
data.append(' ')
bd = re.findall(findBd,item)[0]
bd = re.sub('<br(\s)+?/(\s+?)'," ",bd) #去掉<br/>
bd = re.sub('/'," ",bd) #去掉/
data.append(bd.strip()) #去掉前后的空格
datalist.append(data) #把处理好的一部电影信息放入;list
#print(data)
return datalist
#得到指定一个url的网页内容
def askURL(url):
head = { #模拟浏览器头部信息,向豆瓣服务器发送信息
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
}
#用户代理,告诉豆瓣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内容)
request = urllib.request.Request(url,headers = head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
#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) #创建workbook对象
sheet = book.add_sheet('豆瓣电影top250',cell_overwrite_ok = True) #创建工作表,可覆盖
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("第%d条:"%(i+1))
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__": #当程序执行时
#调用函数
main()
print("爬取完毕!")
运行结果如下图所示:
最后附上公众号的二维码,大家一起探讨,一起进步!