主流程：获取数据，解析数据，保存数据
python
from bs4 import BeautifulSoup #网页解析获取数据
import re #正则表达式
import urllib.request,urllib.error #获取网页数据
import sqlite3 #轻量级数据库
import xlwt #进行excel操作
#影视详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">')
#影视图片
findImgSrc=re.compile(r'<img.*?src="(.*?)"',re.S) #re.S让换行符包含在字符串中
#影片片名
findTitle=re.compile(r'<span class="title">(.*?)</span>')
#影片评分
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)
def main():
#要爬取的网页链接
baseurl="https://movie.douban.com/top250?start="
savepath="豆瓣电影Top250.xls"
#1.爬取网页
datalist=getData(baseurl)
#2.保存数据
saveData(datalist,savepath)
def getData(baseurl):
datalist=[] #用来存储网页爬取的信息
for i in range(0,10): #调用获取页面信息的函数
url=baseurl+str(i*25)
html=askURL(url) #保存获取的网页源码
#2.逐一解析数据
soup=BeautifulSoup(html,"html.parser")
# print(soup.find_all('div',class_="item"))
for item in soup.find_all('div',class_="item"):
data=[] #保存一部电影所有信息
item=str(item)
link=re.findall(findLink,item)[0]
data.append(link)
imgSrc=re.findall(findImgSrc,item)[0]
data.append(imgSrc)
titles=re.findall(findTitle,item)
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle)
etitle=titles[1].replace("/","") #消除转义字符
data.append(etitle)
else:
data.append(titles[0])
data.append(" ")
rating=re.findall(findRating,item)[0]
data.append(rating)
judgeNum=re.findall(findJudge,item)[0]
data.append(judgeNum)
inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace("。","")
data.append(inq)
else:
data.append(" ")
bd=re.findall(findBd,item)[0]
bd=re.sub('<br(\s+)?/>(\s+)?',"",bd)
bd=re.sub('/',"",bd)
data.append(bd.strip())
datalist.append(data)
return datalist
def askURL(url):
head={ #模拟浏览器的头部信息，向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/120.0.0.0 Safari/537.36 Edg/120.0.0.0"
} #用户代理，告诉豆瓣服务器，我们是什么类型的机器
request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
# print(html)
return html
def saveData(datalist,savepath):
print("save...........")
book=xlwt.Workbook(encoding='utf-8',style_compression=0) #创建workbook对象
sheet=book.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):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
data=datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savepath)
if __name__=="__main__":
main()
print("爬取完毕")通过给出的基础网址链接，传入getData函数中进行拼接，得到每页的网址链接，通过再次传入askURL函数中，得到每页的html源码，并使用BeautifulSoup模块来解析html源码，使用其中的find_all方法来查找每个符合特定条件的元素，循环遍历，将每个元素正则匹配提取出我们需要的片名，评价人数，评分等信息，并逐一添加到列表data中，处理完一个电影（一个div元素），就把data添加到总的datalist列表中，进而得到所有电影的信息，并且以列表的形式进行存储，在askURL部分，主要是通过urllib.request.Request向服务器发送请求，并得到响应,这里创建了一个请求对象，这个过程中模拟了浏览器的头部信息（headers=head)，防止一些网站的反爬机制导致的爬取失败，之后还需要使用urllib.request.urlopen（request),来得到响应对象，通过对响应对象读取和解码，之后就能得到该页的网页源码html，在数据保存阶段，则是通过xlwt库创建workbook对象，然后在这个对象中添加工作表，来写入爬取到的信息，首先要在第一行写入列名，之后从之前爬取下来存储在datalist的嵌套列表中获取每部电影的数据，datalist中的每个元素是一个列表，也就是一部电影，逐一写入，并最终sava(保存路径)