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
上一篇: “双减”下的寒假:STEAM、研学营和戏剧课,“盘活”英语培训?
下一篇: 【SSL】矩阵乘积