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——爬取豆瓣电影Top250代码实例

程序员文章站 2024-01-25 19:25:47
利用python爬取豆瓣电影top250的相关信息,包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容,然后将...

利用python爬取豆瓣电影top250的相关信息,包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容,然后将爬取的信息写入excel表中。基本上爬取结果还是挺好的。具体代码如下:

#!/usr/bin/python
#-*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf8')
from bs4 import beautifulsoup
import re
import urllib2
import xlwt

#得到页面全部内容
def askurl(url):
  request = urllib2.request(url)#发送请求
  try:
    response = urllib2.urlopen(request)#取得响应
    html= response.read()#获取网页内容
    #print html
  except urllib2.urlerror, e:
    if hasattr(e,"code"):
      print e.code
    if hasattr(e,"reason"):
      print e.reason
  return html

#获取相关内容
def getdata(baseurl):
  findlink=re.compile(r'<a href="(.*?)" rel="external nofollow" >')#找到影片详情链接
  findimgsrc=re.compile(r'<img.*src="(.*jpg)"',re.s)#找到影片图片
  findtitle=re.compile(r'<span class="title">(.*)</span>')#找到片名
  #找到评分
  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>')
  #找到影片相关内容:导演,主演,年份,地区,类别
  findbd=re.compile(r'<p class="">(.*?)</p>',re.s)
  #去掉无关内容
  remove=re.compile(r'              |\n|</br>|\.*')
  datalist=[]
  for i in range(0,10):
    url=baseurl+str(i*25)
    html=askurl(url)
    soup = beautifulsoup(html, "html.parser")
    for item in soup.find_all('div',class_='item'):#找到每一个影片项
      data=[]
      item=str(item)#转换成字符串
      #print item
      link=re.findall(findlink,item)[0]
      data.append(link)#添加详情链接
      imgsrc=re.findall(findimgsrc,item)[0]
      data.append(imgsrc)#添加图片链接
      titles=re.findall(findtitle,item)
      #片名可能只有一个中文名,没有外国名
      if(len(titles)==2):
        ctitle=titles[0]
        data.append(ctitle)#添加中文片名
        otitle=titles[1].replace(" / ","")#去掉无关符号
        data.append(otitle)#添加外国片名
      else:
        data.append(titles[0])#添加中文片名
        data.append(' ')#留空
      rating=re.findall(findrating,item)[0]
      data.append(rating)#添加评分
      judgenum=re.findall(findjudge,item)[0]
      data.append(judgenum)#添加评论人数
      inq=re.findall(findinq,item)
      #可能没有概况
      if len(inq)!=0:
        inq=inq[0].replace("。","")#去掉句号
        data.append(inq)#添加概况
      else:
        data.append(' ')#留空
      bd=re.findall(findbd,item)[0]
      bd=re.sub(remove,"",bd)
      bd=re.sub('<br>'," ",bd)#去掉<br>
      bd=re.sub('/'," ",bd)#替换/
      #data.append(bd)
      words=bd.split(" ")
      for s in words:
        if len(s)!=0 and s!=' ':#去掉空白内容
           data.append(s)
      #主演有可能因为导演内容太长而没有
      if(len(data)!=12):
        data.insert(8,' ')#留空
      datalist.append(data)
  return datalist

#将相关数据写入excel中
def savedata(datalist,savepath):
  book=xlwt.workbook(encoding='utf-8',style_compression=0)
  sheet=book.add_sheet('豆瓣电影top250',cell_overwrite_ok=true)
  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','导演','主演','年份','地区','类别')
  for i in range(0,12):
    sheet.write(0,i,col[i])#列名
  for i in range(0,250):
    data=datalist[i]
    for j in range(0,12):
      sheet.write(i+1,j,data[j])#数据
  book.save(savepath)#保存

def main():
  baseurl='https://movie.douban.com/top250?start='
  datalist=getdata(baseurl)
  savapath=u'豆瓣电影top250.xlsx'
  savedata(datalist,savapath)

main()

excel表部分内容如下:

Python爬虫——爬取豆瓣电影Top250代码实例

以上所述是小编给大家介绍的python爬取豆瓣电影top250实例详解整合,希望对大家有所帮助