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

Python爬虫项目 ,爬取豆瓣top250中影片信息

程序员文章站 2022-05-25 09:47:05
第一个Python爬虫项目 , 将爬取到的信息存到Excel表格中#-*- codeing = utf-8 -*-#@Time : 2020-07-17 19:27#@Author : 姚云峰#@File : demo1.py#@Software : PyCharmfrom bs4 import BeautifulSoup # 网页解析 , 获取去数据import re # 正则表达式进行文字匹配import urllib.request,urllib.error # 制定url获取网...

第一个Python爬虫项目 , 将爬取到的信息存到Excel表格中

#-*- codeing = utf-8 -*-
#@Time : 2020-07-17 19:27
#@Author : 姚云峰
#@File : demo1.py
#@Software : PyCharm

from bs4 import BeautifulSoup  # 网页解析 , 获取去数据
import re  # 正则表达式进行文字匹配
import urllib.request,urllib.error # 制定url获取网页数据
import xlwt # 进行excel操作
import sqlite3 #进行sqllite数据库操作

# 主方法
def main():
    baseUrl = "https://movie.douban.com/top250?start="
    # 爬取网页
    datalist = getData(baseUrl)

    # 保存路径
    savePath = "./豆瓣电影Top.xls"
    # 保存数据
    saveData(datalist , savePath)


    # askURL("https://movie.douban.com/top250?start=0")

# 获取影片链接的规则
findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象 , 标识规则(字符串模式)
# 影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)".*' , re.S)  # re.S 让换行符包含在字符中
# 影片片名
findTitle = re.compile(r'<span class="title">(.*?)</span>')
# 影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 找到评价人数
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 = []
    for i in range(0 , 10):    # 调用获取页面信息的函数 10 次
        url = baseUrl + str(i*25)
        html = askURL(url)  # 保存获取到的网页源码

        # 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item电影全部信息
            # break
            data = [] # 保存一步电影的全部信息
            item = str(item)

            # 获取影片详情链接
            link = re.findall(findLink , item)[0] # re库用来查找 , 通过正则表达式查找指定的字符串
            data.append(link)  # 添加链接

            imgSrc = re.findall(findImgSrc , item)[0]
            data.append(imgSrc)  # 添加图片

            titles = re.findall(findTitle , item)
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)  # 添加中文名
                otitle = titles[1].replace("/","")  #  去掉无关的符号
                data.append(otitle) # 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(" ")  # 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())  # 去掉前后的空格

            datalist.append(data)  # 把处理好的一步电影信息放入datalist
    # print(datalist)
    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 , 想豆瓣服务器发送消息
        "User-Agent":"Mozilla/5.0(Windows NT 10.0; Win64; x64)AppleWebKit/537.36(KHTML, like Gecko)Chrome/81.0.4044.129 Safari/537.36"
    }
    # 用户代理标识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 , 我们可以接受什么水平的文件内容)

    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)

    except urllib.error.URLError as e:
        if hasattr(e , "code"):
            print(e.code)
        if hasattr(e , "reason"):
            print(e.reason)
    return html

def saveData(datalist , savePath):
    # 保存数据
    workbook = xlwt.Workbook(encoding="utf-8" , style_compression=0)  # 创建workbook对象
    worksheet = workbook.add_sheet('豆瓣电影top250' , cell_overwrite_ok=True)  # 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):
        worksheet.write(0 , i , col[i]) # 列名
    for i in range(0 , 250):
        print(f'第{i+1}条')
        data = datalist[i]
        for j in range(0 , 8):
            worksheet.write(i+1 , j , data[j])
    workbook.save(savePath)

if __name__ == "__main__":     #当程序执行时
# 调用函数
    main()
    print("爬取完毕")

Python爬虫项目 ,爬取豆瓣top250中影片信息

本文地址:https://blog.csdn.net/weixin_44735933/article/details/107470324