Python爬虫简单(豆瓣电影Top250)示例

小菜鸟 2020-08-29 PM 1875℃ 0条

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  datalist

3.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()

    
标签: none

非特殊说明,本博所有文章均为博主原创。

评论啦~