最近老師佈置了個作業,爬取豆瓣top250的電影信息。按照套路,自然是先去看看源代碼了,一看,基本的信息竟然都有,心想這可省事多了。簡單分析了下源代碼,標記出所需信息的所在標籤,ok,開始幹活!
鑑於正則表達式的資料已經看了不少,所以本次除了beautifulsoup外,還有些re的使用,當然,比較簡單。而爬到信息後,以往一般是存到txt文件,或者數據庫中,老是重樣的操作,難免有些‘厭倦’。心想,幹嘛不存到Excel表呢?對啊,可以存到Excel表嘛。。。
環境準備:pip install openpyxl (假設你已配好了python環境)
好了,廢話少說,上代碼。
# coding=UTF-8
'''
function:爬取豆瓣top250的電影信息,並寫入Excel文件
'''
import requests
import re
from openpyxl import workbook # 寫入Excel表所用
from openpyxl import load_workbook # 讀取Excel表所用
from bs4 import BeautifulSoup as bs
import os
os.chdir('C:\Users\Administrator\Desktop') # 更改工作目錄爲桌面
def getHtml(src):
html = requests.get(src).content
getData(html, src) # 首頁鏈接和其他頁不同,所以單獨獲取信息
urls = re.findall('href="(.*filter=?)', html) # re獲取獲取跳轉鏈接的href
for u in range(len(urls) - 2): # 匹配到的跳轉鏈接最後兩個重複,需去掉
next_url = 'https://movie.douban.com/top250' + urls[u]
html = requests.get(next_url).content
getData(html, next_url)
def getData(html, num_url): # html:網頁源碼 ,num_url:頁面鏈接
global ws # 全局工作表對象
Name = [] # 存儲電影名
Dr = [] # 存儲導演信息
Ma = [] # 存儲主演信息
Si = [] # 存儲簡介
R_score = [] # 存儲評分
R_count = [] # 存儲評論人數
R_year = [] # 存儲年份
R_area = [] # 存儲地區
R_about = [] # 存儲劇情類型
soup = bs(html, 'lxml')
for n in soup.find_all('div', class_='hd'):
# ts = n.contents[1].text # 得到電影的所有名稱
ts = n.contents[1].text.strip().split('/')[0] # 得到電影中文名
Name.append(ts)
for p in soup.find_all('p', class_=''):
infor = p.text.strip().encode('utf-8') #此處用utf-8編碼,以免下面查找 ‘主演’下標報錯
ya = re.findall('[0-9]+.*\/?', infor)[0] # re得到年份和地區
R_year.append(ya.split('/')[0]) # 得到年份
R_area.append(ya.split('/')[1]) # 得到地區
R_about.append(infor[infor.rindex('/') + 1:]) # rindex函數取最後一個/下標,得到劇情類型
try:
sub = infor.index('主演') # 取得主演下標
Dr.append(infor[0:sub].split(':')[1]) # 得到導演信息
mh = infor[sub:].split(':')[1] # 得到主演後面的信息
Ma.append(re.split('[1-2]+', mh)[0]) # 正則切片得到主演信息
except:
print '無主演信息'
Dr.append(infor.split(':')[1].split('/')[0])
Ma.append('無介紹...')
for r in soup.find_all('div', class_='star'):
rs = r.contents # 得到該div的子節點列表
R_score.append(rs[3].text) # 得到評分
R_count.append(rs[7].text) # 得到評論人數
for s in soup.find_all('span', 'inq'):
Si.append(s.text) # 得到簡介
if len(Si) < 25:
for k in range(25 - len(Si)):
Si.append('本頁有的電影沒簡介,建議查看覈對,鏈接:' + num_url)
for i in range(25): # 每頁25條數據,寫入工作表中
ws.append([Name[i], R_year[i], R_area[i], R_about[i],
Dr[i], Ma[i], R_score[i], R_count[i], Si[i]])
if __name__ == '__main__':
# 讀取存在的Excel表測試
# wb = load_workbook('test.xlsx') #加載存在的Excel表
# a_sheet = wb.get_sheet_by_name('Sheet1') #根據表名獲取表對象
# for row in a_sheet.rows: #遍歷輸出行數據
# for cell in row: #每行的每一個單元格
# print cell.value,
# 創建Excel表並寫入數據
wb = workbook.Workbook() # 創建Excel對象
ws = wb.active # 獲取當前正在操作的表對象
# 往表中寫入標題行,以列表形式寫入!
ws.append(['電影名', '年份', '地區', '劇情類型', '導演', '主演', '評分', '評論人數', '簡介'])
src = 'https://movie.douban.com/top250'
getHtml(src)
wb.save('test2.xlsx') # 存入所有信息後,保存爲filename.xlsx
代碼中已有不少註釋,這裏說下爬取過程中遇到的小問題。
1.soup的contents方法,返回的是某標籤下的子節點列表,但剛開始總是取不到想要的值,輸出其長度後,有些傻眼..TM什麼情況?有這麼多的子節點嗎?較真的我又去數了幾遍,最後發現,它竟然連"換行"都算作是子節點!莫名地有點方...不知各位有沒有遇到過。
如圖,我按列表下標標記,0,2,4,6,8是換行,但也被算作子節點...
2.還是contents方法,代碼中的 '#得到電影所有名稱' 處的代碼 n.contents[1]獲取的除了a標籤外,還有其下的span標籤,這是爲何?它們算一個整體?
3.對如下圖的電影信息處理時,出現了幾處錯誤,原因有以下幾點:
(1)部分電影沒有主演信息...
(2)主演信息爲這樣'主演: ',就一個主演字樣,無內容
(3)部分電影沒有簡介
(4)當主演信息中沒有'...'時,獲取主演信息受阻
解決方案:(1)(2)都是主演問題,判斷是否存在即可。(我以捕獲異常處理)
(3)是簡介問題,我無法給出具體哪部電影沒有簡介,但給了該電影所在的頁面鏈接,可訪問覈查。(貌似有點笨)
(4)獲取受阻是因爲後面沒有精確定位點,最後以re.split('[1-2]+')方法解決,匹配年份第一位作爲分片點
本次分享就到這兒了,最後,照舊放幾張結果圖吧。(歡迎留言評論,更多openpyxl操作可以點這裏查看)