功能实现
准备工作
所需导入的库
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 #指定URL，获取网页数据
import xlwt #进行excel操作主函数
def main():
#爬取的网址
baseurl = "https://movie.douban.com/top250?start="
#1.爬取网页
datalist = getData(baseurl) #获取爬取的内容
savepath = ".\\豆瓣电影Top250.xls" #保存的地址和文件名
# #3.保存数据
saveData(savepath,datalist) #传入内容和地址保存1.爬取网页
爬取过程(获取所要爬取的网页主体)
#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
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
'Cookie':'ll="118093"; _vwo_uuid_v2=D0A6D159AF07CFF8A83BE9FEF5B61CDE8|24ef838794cef921f38fa0eb3dacce81; __gads=ID=3cb220aed5261f03:T=1577236264:S=ALNI_MaHNqFDCrz2mE4oHNCs-BQOpIMGOQ; bid=GZ4EYLWmuP0; gr_user_id=d110b805-489c-4054-84bd-9b8364b727f5; __yadk_uid=PrGvGoxzNazG78ogpa9NP95gEB6uw7rs; douban-fav-remind=1; viewed="4192766_26274181"; __utmc=30149280; __utmc=223695111; dbcl2="207310151:ooRqXuOoTyY"; ck=BfEd; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1598690214%2C%22https%3A%2F%2Faccounts.douban.com%2Fpassport%2Flogin%3Fredir%3Dhttps%253A%252F%252Fmovie.douban.com%252Ftop250%253Fstart%253D%22%5D; _pk_id.100001.4cf6=6ba08d290d1621ca.1577236264.21.1598690214.1598682120.; _pk_ses.100001.4cf6=*; __utma=30149280.1769415339.1598029880.1598680795.1598690214.8; __utmb=30149280.0.10.1598690214; __utmz=30149280.1598690214.8.7.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/passport/login; __utma=223695111.1243963781.1577236264.1598680795.1598690215.21; __utmb=223695111.0.10.1598690215; __utmz=223695111.1598690215.21.17.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/passport/login; push_noty_num=0; push_doumail_num=0',
"Host":"movie.douban.com",
"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/84.0.4147.135Safari/537.36Edg/84.0.522.63" #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
}
#注意！！！模拟浏览器头部信息时需要自己的cookie，代码中的cookie随时会失效
request = urllib.request.Request(url,headers=head)#伪装浏览器访问
html = ""
try:
response = urllib.request.urlopen(request)#接收响应内容
html = response.read().decode("utf-8")#转码接收到的内容
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html #返回获取到的html内容2.解析网页
解析网页所需正则
#影片详情链接的正则规则
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）
#影片图片的规则
findImgSrc = re.compile(r'<img .* src="(.*?)"',re.S) #re.S忽略换行符
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评论的人数
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)解析获取到的html网页内容
#爬取网页
def getData(baseurl):
datalist = []
k= 0; #此处为了设置当前电影序列号
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) #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)
k += 1;
data.append(str(k))
#商品详情的链接
link = re.findall(findLink,item)[0] #re库来通过正则表达式查找指定的字符串
data.append(link)
imgSrc = re.findall(findImgSrc,item)[0] #添加图片
data.append(imgSrc)
titles = re.findall(findTitle,item)
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.strip()) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名字留空
rating = re.findall(findRating,item)[0]
data.append(rating) #添加评分
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/
#bd = re.sub('\D', "", bd) #提取年份
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中
return datalist3.保存网页
最后一步，保存到Excel表格中
#保存数据
def saveData(savepath,datalist):
workbook = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建excel对象
worksheet = workbook.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True) #创建表
#创建标题
coll =("序号","电影详情链接","图片链接","影片中文名","影片外国名","评分","评分数","概况","相关信息")
for i in range(len(coll)):
worksheet.write(0,i,coll[i])
#填充数据
for length in range(len(datalist)):
for data in range(len(datalist[length])):
#设置单元格宽度
worksheet.col(data).width = ((len(datalist[length][data])+1) * 2) * 256
#输入数据
worksheet.write(length+1,data,datalist[length][data])
#print(datalist[length][data]) #打印数据
workbook.save(savepath) #保存数据
print("保存完成") #保存完提示完整代码
完整代码如下
#-*- codeing = utf-8 -*-
#@Time : 2020/7/29 16:50
#@Author : 小菜鸟
#@File : spider.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.request,urllib.error #指定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 = ".\\豆瓣电影Top250.xls"
# #3.保存数据
saveData(savepath,datalist)
#影片详情链接的正则规则
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）
#影片图片的规则
findImgSrc = re.compile(r'<img .* src="(.*?)"',re.S) #re.S忽略换行符
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评论的人数
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)
#爬取网页
def getData(baseurl):
datalist = []
k= 0;
for i in range(0,10):
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) #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)
k += 1;
data.append(str(k))
#商品详情的链接
link = re.findall(findLink,item)[0] #re库来通过正则表达式查找指定的字符串
data.append(link)
imgSrc = re.findall(findImgSrc,item)[0] #添加图片
data.append(imgSrc)
titles = re.findall(findTitle,item)
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.strip()) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名字留空
rating = re.findall(findRating,item)[0]
data.append(rating) #添加评分
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/
#bd = re.sub('\D', "", bd) #提取年份
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中
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
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
'Cookie':'ll="118093"; _vwo_uuid_v2=D0A6D159AF07CFF8A83BE9FEF5B61CDE8|24ef838794cef921f38fa0eb3dacce81; __gads=ID=3cb220aed5261f03:T=1577236264:S=ALNI_MaHNqFDCrz2mE4oHNCs-BQOpIMGOQ; bid=GZ4EYLWmuP0; gr_user_id=d110b805-489c-4054-84bd-9b8364b727f5; __yadk_uid=PrGvGoxzNazG78ogpa9NP95gEB6uw7rs; douban-fav-remind=1; viewed="4192766_26274181"; __utmc=30149280; __utmc=223695111; dbcl2="207310151:ooRqXuOoTyY"; ck=BfEd; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1598690214%2C%22https%3A%2F%2Faccounts.douban.com%2Fpassport%2Flogin%3Fredir%3Dhttps%253A%252F%252Fmovie.douban.com%252Ftop250%253Fstart%253D%22%5D; _pk_id.100001.4cf6=6ba08d290d1621ca.1577236264.21.1598690214.1598682120.; _pk_ses.100001.4cf6=*; __utma=30149280.1769415339.1598029880.1598680795.1598690214.8; __utmb=30149280.0.10.1598690214; __utmz=30149280.1598690214.8.7.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/passport/login; __utma=223695111.1243963781.1577236264.1598680795.1598690215.21; __utmb=223695111.0.10.1598690215; __utmz=223695111.1598690215.21.17.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/passport/login; push_noty_num=0; push_doumail_num=0',
"Host":"movie.douban.com",
"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/84.0.4147.135Safari/537.36Edg/84.0.522.63" #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
}
#注意！！！模拟浏览器头部信息时需要自己的cookie，代码中的cookie随时会失效
request = urllib.request.Request(url,headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
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):
workbook = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建excel对象
worksheet = workbook.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True) #创建表
#创建标题
coll =("序号","电影详情链接","图片链接","影片中文名","影片外国名","评分","评分数","概况","相关信息")
for i in range(len(coll)):
worksheet.write(0,i,coll[i])
#填充数据
for length in range(len(datalist)):
for data in range(len(datalist[length])):
#设置单元格宽度
worksheet.col(data).width = ((len(datalist[length][data])+1) * 2) * 256
#输入数据
worksheet.write(length+1,data,datalist[length][data])
#print(datalist[length][data]) #打印数据
workbook.save(savepath) #保存数据
print("保存完成") #保存完提示
if __name__ == "__main__": #当程序执行时
#调用函数
main()