目标效果:
代码:
#-*- codeing =utf-8 -*-
#################引入模块#################
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,
import urllib.request,urllib.error #制定URL,获取网页数据
import xlwt #进行excel制作
#################定义变量#################
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象,影片链接规则
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #图片链接规则
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*)人评价</span>') #评价人数
findInq=re.compile(r'<span class="inq">(.*)</span>') #找到概况
findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #相关内容
#################定义方法#################
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(dataList,savepath)
"""爬取网页"""
def getData(baseurl):
dataList=[] #列表,存储网页获取的所有数据
for i in range(0,10): #调用获取页面信息的函数10次
url=baseurl+str(i*25) #循环每页的网址
html=askURL(url) #保存获取到的网页源码
# 2.解析数据
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=[] #保存一部电影的所有信息
item=str(item) #转换成字符串
link=re.findall(findLink,item) [0] #re库通过正则表达式查找指定的字符串,获取影片链接
data.append(link)
imgSrc=re.findall(findImgSrc,item)[0] #查询图片
data.append(imgSrc)
titles=re.findall(findTitle,item) #查询题目
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle) #添加中文名
otitle=titles[1].replace("/","") #去掉无关的服号
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)
inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace("。","") #去掉句号
data.append(inq) #添加概况
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) #放入一部电影信息
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/83.0.4103.56 Safari/537.36 Edg/83.0.478.3"} #用户代理,发送请求时把python程序伪装成浏览器,蒙混过豆瓣服务器
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"): #判断e这个对象里是否包含code这个属性
print(e.code) #打印错误代码
if hasattr(e,"reason"):
print(e.reason) #打印错误原因
return html
"""保存数据"""
def saveData(dataList,savePath):
book=xlwt.Workbook(encoding="utf-8") #创建workbook对象
sheet=book.add_sheet('豆瓣电影Top') #创建工作表
col=("电影详情链接","图片链接","影片中文名","影片外国名","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 + 1))
data=dataList[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savePath)
#################主程序#################
if __name__=="__main__":
main()
print("爬取完毕!")
关于代码中askURL方法中下边这一条数据获得方法:
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"} #用户代理,发送请求时把python程序伪装成浏览器,蒙混过豆瓣服务器
打开豆瓣Top250,按F12显示开发者页面:
打开网络模块:
刷新页面,当进度条出现时点红色圆点停止:
点击最前边一条线,选择唯一出现的top250,然后进度条拉到最后: