[Python知识库]python爬取豆瓣Top250完整代码

python爬虫

# -*- coding = utf-8 -*-
# @Time : 2021/8/24 10:59
# @Author : 
# @File : spider.py
# @Software : PyCharm

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SQL数据库操作
import random
import requests
import time


# 1.爬取网页
# 2.解析数据
# 3.保存数据

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)

    # askURL(baseurl)


# 影片详情的链接
findLink = re.compile(r'<a href="(.*?)">')  # re.compile()创建正则表达式对象（规则）
# 影片的图片的链接
findImgSrc = re.compile(r'<img.* src="(.*?)"', re.S)
# 影片的片名
findTitle = re.compile(r'<span class="title">(.*?)</span>')
# 影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 影片的评价人数
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)


# 爬取网页+逐一解析数据
def getData(baseurl):
    # 爬取10页的网页
    # https://movie.douban.com/top250?start=
    datalist = []
    for i in range(0, 10):
        time.sleep(2)
        url = baseurl + str(i * 25)
        html = askURL(url)

        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串，形成列表
            # print(item)   # 查看电影item的全部信息
            data = []
            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)  # 添加中文名
                otitle = titles[1].replace("/", "")
                data.append(otitle)  # 添加外文名
            else:
                data.append(titles[0])
                data.append(' ')  # 留空

            rating = re.findall(findRating, item)
            data.append(rating)

            judge = re.findall(findJudge, item)
            data.append(judge)

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")  # 去掉句号
                data.append(inq)
            else:
                data.append(" ")

            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,在这里面进行封装成一个对象
def askURL(url):
    pro = ['122.152.196.126', '114.215.174.227', '119.185.30.75']
    head = {
        # User-Agent 之间不能存在空格 这一步是为了进行用户代理的封装（伪装成浏览器发送请求）
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 92.0.4515.159Safari / 537.36"
    }
    # 这一步是为了将请求封装成一个对象
    # request = requests.get(url=url,proxies={'http':random.choice(pro)}, headers=head)
    request = urllib.request.Request(url=url, headers=head)
    # request.encoding = request.apparent_encoding

    # 为了之后进行保存爬取到底网页源码
    html = ""

    try:
        # 开始真正意义上的发送请求
        response = urllib.request.urlopen(request)
        # 显示网页源代码
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e:
        # 输出可能存在的错误信息
        # hasattr()是判断“”中的内容是否存在
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据
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)  # cell_overwrite_ok=True 表示允许覆盖，不写时，也是默认覆盖
    col = ("电影的详情链接", "图片链接", "影片中文名", "影片外文名", "评分", "评价数", "概述", "相关信息")
    for i in range(0, 8):
        sheet.write(0, i, col[i])  # 列名
    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)


if __name__ == "__main__":
    # 调用函数
    main()
    print("爬取完毕！！")