爬虫python=豆瓣Top250电影

主流程：获取数据，解析数据，保存数据

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 datalistdef 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)