欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

豆瓣电影排行榜下载,main主文件代码(未完善版)

程序员文章站 2022-03-08 15:12:15
豆瓣电影排行榜下载,main主文件代码,(多敲几遍,熟悉熟悉)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 xlwt # 进行excel 操作import urllib.request, urllib.error # 指定URL,获取网页数据import sqlite3 # 进行SQLie数据库操作import sysdef main(...

豆瓣电影排行榜下载,main主文件代码,(多敲几遍,熟悉熟悉)

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 xlwt         # 进行excel 操作
import urllib.request, urllib.error     # 指定URL,获取网页数据
import sqlite3      # 进行SQLie数据库操作
import sys


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页

    datelist = getData(baseurl)
    savepath = ".\\豆瓣电影Top250.xls"
    # 3.保存数据
    #saveData(savepath)
#    askURL("https://movie.douban.com/top250?start=")

# 定义需要查找内容的规则
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)
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)    # re.s 忽略可能出现的换行符
findTitle = re.compile(r'<span class="title">(.*)</span>', re.S)
finRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


# 爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0, 10):       # 调用获取页面信息的函数10次, 一页25条
        url = baseurl + str(i*25)                #基础路径的变化
        html = askURL(url)          # 保存获取到的网页源码:返回值
        # 得到一个网页就应该解析一次
    # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")  # 用解析器放在内存中,形成树形结构的对象
        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)
            data = []     # 保存一部电影的所有信息
            item = str(item)

            # 影片详情链接        # re库用通过正则表达式查找指定的字符串,因为是列表,用0拿到超链接
            link = re.findall(findLink, item)[0]
            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)    # 片名可能只有一个中文名,没有外文名
            if(len(titles) == 2):
                ctitle = titles[0]              # 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")     # 去掉无关符号,添加外文名
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')   # 外国名字,留空

            rating = re.findall(finRating, item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq, item)
            data.append(inq)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")       # 去掉句号
                data.append(inq)
            else:
                data.append(" ")

            Bd = re.findall(findBd, item)[0]
            Bd = re.sub('<br(\s+)?>(\s+)?', " ", Bd)    # 去掉br。。。 ,去掉换行符\s。。。  ,替换为“ ”
            Bd = re.sub('/', " ", Bd)
            data.append(Bd.strip())   # strip() 去掉前后的空格

            datalist.append(data)     # 将数据放入datalist中


    return datalist

# 得到指定一个URL的网页内容
def askURL(url):
    # 用户代理,伪装机器类型,浏览器类型,(本质上是告诉浏览器,我们可以接受什么水平的文件内容),模拟浏览器头部信息,向服务器发送消息
    head = {"User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Mobile Safari/537.36"}   # 字典,键值对
#    head[""]   # 列表
    request = urllib.request.Request(url, headers= head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        print(html)
    except Exception as e:
        if hasattr(e, "code"):      # hasattr 指标签
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return  html



# 保存数据
def saveData(savepath):
    print("save....")


if __name__ == "__main__":  # 当程序执行到哪个名字(主函数),******优先级最高
    main()          # 调用函数,控制流程,更清楚管理什么时候程序开始---整个程序的入口



本文地址:https://blog.csdn.net/weixin_46554055/article/details/107893405

相关标签: python