from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则提取
import urllib.request,urllib.error #制定url,获取网页数据
import xlwt #进行excel操作
import time
def main():
baseurl = "https://movie.douban.com/top250?start="
#1、爬取网页
datalist=getData(baseurl)
savepath="豆瓣电影Top250.xls"
#3、保存数据
saveData(datalist,savepath)
print(time.time() - start)#结束时间
#2、解析数据
#影片详情页链接
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)
#影片图片链接
findImgSrc = re.compile(r'<img.*src="(.*?)" class="">',re.S)#re.S 忽略换行符
#影片名字链接
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#影片评价人数
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)
start = time.time()#开始时间
#爬取页面
def getData(baseurl):
datalist=[]
for i in range(0,10): #调取页面信息的函数10次
url=baseurl+str(i*25)
html=askURL(url) #保存获取的源代码
#逐一解析数据
soup=BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
# print(item)#查看item全部信息
data=[]#存放电影信息
item=str(item)
#影片中的超链接
link = re.findall(findLink,item)[0] #re表示用来通过正则表达式查找指定的字符串
data.append(link)
imgSrc=re.findall(findImgSrc,item[0])#添加图片
data.append(imgSrc)#添加图片
titles = re.findall(findTitle,item)#片名可能只有有个中文名,没有外国名
if(len(titles)==2):
ctitle = titles[0]
data.append(ctitle)
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
judeNum = re.findall(findJudge,item)[0]
data.append(judeNum) #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) #替换/
data.append(bd.split()) #去掉前后的空格
datalist.append(data) #把处理好的一部电影信息放入datalist
return datalist
#保存数据
#得到一个指定的url的网页内容
def askURL(url):
head={
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"
}
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)
return html
def saveData(datalist,savepath):
book=xlwt.Workbook(encoding="utf-8",style_compression=0)#创建woekbook对象
sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)#创建
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","详细信息")
for i in range(0,8):
sheet.write(0,i,col[i])#列名
for i in range(0,250):
print("数据正在加载"+"第%d条"%i+"请稍等!!!")
data=datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])#数据
book.save(savepath)#保存
if __name__ == "__main__":
main()
print("数据爬取成功!")
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210330144508361.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjQ1Nzk0Ng==,size_16,color_FFFFFF,t_70)