【爬虫】爬取豆瓣Top250电影信息

#-*- coding = utf-8 -*-
#@Time : 2020/6/28 19:19
#@Author : Jerryswing
#@File : shiyan.py
#@Software : PyCharm

import re
from bs4 import BeautifulSoup
import urllib.request,urllib.error
import xlwt
import sqlite3

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
    #3.保存数据
    #savaData(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）
#影片图片的链接
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>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)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

        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)  #测试查看电影item全部信息
            data = []   #保存一部电影的所有信息
            item = str(item)



            #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)     #添加链接
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)   #添加图片
            titles = re.findall(findTitle,item)  #片面可能只有一个中文名，也可能都有
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)     #添加中文名
                otitle = titles[1].replace("/","")  #去掉无关的符号
                data.append(otitle)     #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')  #外文名留空
            rating = re.findall(findRating,item)[0]
            data.append(rating)                     #添加评分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)                   #评价人数

            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())  #去掉前后空格

            datalist.append(data)   #把处理好的一部电影信息放入datalist
    print(datalist)
    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.13 Safari/537.36"
    }
    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



#保存数据
def savaData(savepath):
        print("save...")



if __name__ == '__main__': #当程序执行时
#调用函数
    main()

 爬取结果：

加入保存数据到EXCEL部分代码：

#-*- coding = utf-8 -*-
#@Time : 2020/6/28 19:19
#@Author : Jerryswing
#@File : shiyan.py
#@Software : PyCharm

import re
from bs4 import BeautifulSoup
import urllib.request,urllib.error
import xlwt
import sqlite3

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
    #3.保存数据
    savaData(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）
#影片图片的链接
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>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)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

        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)  #测试查看电影item全部信息
            data = []   #保存一部电影的所有信息
            item = str(item)



            #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)     #添加链接
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)   #添加图片
            titles = re.findall(findTitle,item)  #片面可能只有一个中文名，也可能都有
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)     #添加中文名
                otitle = titles[1].replace("/","")  #去掉无关的符号
                data.append(otitle)     #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')  #外文名留空
            rating = re.findall(findRating,item)[0]
            data.append(rating)                     #添加评分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)                   #评价人数

            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())  #去掉前后空格

            datalist.append(data)   #把处理好的一部电影信息放入datalist
    print(datalist)
    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.13 Safari/537.36"
    }
    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



#保存数据
def savaData(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
        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)
            data = datalist[i]
            for j in range(0,8):
                sheet.write(i+1,j,data[j])  #数据

        book.save(savepath)  #保存数据表


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

  爬取结果：