Python Python 爬虫学习06 保存数据到Excel

import sys
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

def main():
        baseurl = "https://movie.douban.com/top250?start="
        #1.爬取网页
        datalist = getData(baseurl)
        savepath=r'.\\douban250.xls'
        #3.保存数据
        saveData(savepath,datalist)

#创建正则表达式对象，表示规则（字符串的模式）re.S 忽视换行符
#1 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')
#2 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#3 影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#4 影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#5 找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#6 找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#7 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

cnt=0
#爬取网页
def getData(baseurl):
        global cnt
        datalist=[]
        for i in range(0,10):
                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)

                        data=[]
                        item=str(item)

                        link = re.findall(findLink,item)[0]
                        data.append(link) #添加连接

                        imgSrc = re.findall(findImgSrc,item)[0]
                        data.append(imgSrc) #添加图片

                        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]      #添加中文名
                                data.append(ctitle)
                                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(' ')

                        rating = re.findall(findRating, item)[0]
                        data.append(rating)   #添加图片

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

                        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(" ")
                        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())

                        datalist.append(data)   #把处理好的一部电影信息放入datalist
                        # cnt+=1
                        # print(str(cnt)+'.'+str(link))
        # print(datalist)
        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，向豆瓣服务器发送消息,下面一定不能写错！
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.190 Safari/537.36'
        }
        #用户代理，表示告诉豆瓣服务器，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文件内容）
        request = urllib.request.Request(url=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 saveData(savepath,datalist):
        # 创建workbook对象
        workbook = xlwt.Workbook(encoding="utf-8")
        # 创建工作表
        worksheet = workbook.add_sheet('sheet1')

        for i in range(0, 250):
                for j in range(0, 7):
                        worksheet.write(i, j, datalist[i][j])
        workbook.save(savepath)


if __name__ == '__main__':
        main()