本文主要是介绍python爬取豆瓣top100并保存到Excel,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
# coding=utf-8
# 第一行要加它,不然会报错
# https://movie.douban.com/top250?start=28&filter=
# 豆瓣top250网址,重点在于start=?,代表从哪个序号往后开始,filter不重要,可以去掉
# chrome浏览器f12 点进network 点击流线图的颜色线,然后点击下面Name对应的访问信息,就可以查看header
# 在Headers中,是用户向浏览器发送信息,重点在于user-Agent和Cookies
# python文件中可以加入main函数用于测试程序
# if __name__=="__main__": 当程序执行时调用函数
# 引入自定义模块,就是引入别人写好的函数: from 包名 import 函数
# 引入系统模块:import sys, import os
# 引入第三方模块 import re
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 urllib.request, urllib.error # 制定URL获取网页数据
import xlwt # 进行excel操作
import sqlite3 # 进行SQLite数据库操作
# 主函数
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
# 3.保存数据
savepath = "豆瓣电影top250.xls"
saveData(datalist, savepath)
# askUrl("https://movie.douban.com/top250?start=0")
# 影片详情链接规则
findLink = re.compile(r'<a href="(.*?)">')
findImgSrc = re.compile(r'<img .* src="(.*?)"', re.S) # re.S让换行符包含在字符中
findTitle = re.compile(r'<span class="title">(.*?)</span>')
findRating = 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)
# 获取数据函数
def getData(baseurl):
datalist = []
for i in range(0, 10): # for循环,左闭右开
url = baseurl + str(i * 25)
html = askUrl(url) # 保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
# print(item)
data = [] # 保存一部电影所有信息
item = str(item)
# 获取到影片详情链接
link = re.findall(findLink, item)
# print(link)
data.append(link)
# 找到图片
imgSrc = re.findall(findImgSrc, item)
data.append(imgSrc)
# print(imgSrc)
# 因为有的名字没有英文名,所以要进行判断
titles = re.findall(findTitle, item)
# print(titles)
if len(titles) == 2:
ctitle = titles[0]
data.append(ctitle)
otitle = titles[1].replace("/", "")
data.append(otitle)
else:
data.append(titles[0])
data.append(' ')
rating = re.findall(findRating, item)
data.append(rating)
judgeNum = re.findall(findJudge, item)
# print(judgeNum)
data.append(judgeNum)
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "")
data.append(inq)
else:
data.append(" ")
data.append(inq)
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.strip()) # 去掉前后的空格
datalist.append(data)
# print(datalist)
return datalist
# 得到指定一个Url的网页内容
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36"
}
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
# print(html)
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
# 保存数据函数
def saveData(datalist, savepath):
print("正在保存中")
book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象
sheet = book.add_sheet('sheet1', 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", "影片英文名", "评分", "评价数", "概况", "相关信息")
for i in range(0, 8):
sheet.write(0, i, col[i])
for i in range(0, 250):
print("第%d条" % (i + 1))
data = datalist[i]
for j in range(0, 8):
sheet.write(i + 1, j, data[j])
book.save(savepath) # 保存
if __name__ == "__main__":
main()
print("爬取完毕")
这篇关于python爬取豆瓣top100并保存到Excel的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!