豆瓣电影排行榜下载，main主文件代码（未完善版）

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