目標效果:
代碼:
#-*- codeing =utf-8 -*-
#################引入模塊#################
from bs4 import BeautifulSoup #網頁解析,獲取數據
import re #正則表達式,
import urllib.request,urllib.error #制定URL,獲取網頁數據
import xlwt #進行excel製作
#################定義變量#################
findLink=re.compile(r'<a href="(.*?)">') #創建正則表達式對象,影片鏈接規則
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #圖片鏈接規則
findTitle=re.compile(r'<span class="title">(.*)</span>') #影片片名
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge=re.compile(r'<span>(\d*)人評價</span>') #評價人數
findInq=re.compile(r'<span class="inq">(.*)</span>') #找到概況
findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #相關內容
#################定義方法#################
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取網頁
dataList=getData(baseurl)
savepath="豆瓣電影Top250.xls"
#3.保存數據
saveData(dataList,savepath)
"""爬取網頁"""
def getData(baseurl):
dataList=[] #列表,存儲網頁獲取的所有數據
for i in range(0,10): #調用獲取頁面信息的函數10次
url=baseurl+str(i*25) #循環每頁的網址
html=askURL(url) #保存獲取到的網頁源碼
# 2.解析數據
soup=BeautifulSoup(html,"html.parser") #使用html解析器
for item in soup.find_all('div',class_="item"): #找到所有class是item的div
data=[] #保存一部電影的所有信息
item=str(item) #轉換成字符串
link=re.findall(findLink,item) [0] #re庫通過正則表達式查找指定的字符串,獲取影片鏈接
data.append(link)
imgSrc=re.findall(findImgSrc,item)[0] #查詢圖片
data.append(imgSrc)
titles=re.findall(findTitle,item) #查詢題目
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle) #添加中文名
otitle=titles[1].replace("/","") #去掉無關的服號
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) #添加評分
judgeNum=re.findall(findJudge,item)[0]
data.append(judgeNum)
inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace("。","") #去掉句號
data.append(inq) #添加概況
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)
data.append(bd.strip()) #去掉空格
dataList.append(data) #放入一部電影信息
print(dataList)
return dataList
"""得到指定一個URL的網頁內容"""
def askURL(url):
head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.56 Safari/537.36 Edg/83.0.478.3"} #用戶代理,發送請求時把python程序僞裝成瀏覽器,矇混過豆瓣服務器
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"): #判斷e這個對象裏是否包含code這個屬性
print(e.code) #打印錯誤代碼
if hasattr(e,"reason"):
print(e.reason) #打印錯誤原因
return html
"""保存數據"""
def saveData(dataList,savePath):
book=xlwt.Workbook(encoding="utf-8") #創建workbook對象
sheet=book.add_sheet('豆瓣電影Top') #創建工作表
col=("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d條" % (i + 1))
data=dataList[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #數據
book.save(savePath)
#################主程序#################
if __name__=="__main__":
main()
print("爬取完畢!")
關於代碼中askURL方法中下邊這一條數據獲得方法:
head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.56 Safari/537.36 Edg/83.0.478.3"} #用戶代理,發送請求時把python程序僞裝成瀏覽器,矇混過豆瓣服務器
打開豆瓣Top250,按F12顯示開發者頁面:
打開網絡模塊:
刷新頁面,當進度條出現時點紅色圓點停止:
點擊最前邊一條線,選擇唯一出現的top250,然後進度條拉到最後: