python-爬虫爬取豆瓣Top250电影数据

目标效果：

 

代码：
 

#-*- codeing =utf-8 -*-
#################引入模块#################
from bs4 import BeautifulSoup  #网页解析，获取数据
import re   #正则表达式，
import urllib.request,urllib.error   #制定URL，获取网页数据
import xlwt   #进行excel制作

#################定义变量#################
findLink=re.compile(r'')   #创建正则表达式对象，影片链接规则
findImgSrc=re.compile(r'(.*)')   #影片片名
findRating=re.compile(r'(.*)')
findJudge=re.compile(r'(\d*)人评价')   #评价人数
findInq=re.compile(r'(.*)')   #找到概况
findBd=re.compile(r'
(.*?)
',re.S)   #相关内容

#################定义方法#################
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)

"""爬取网页"""
def getData(baseurl):
    dataList=[]   #列表，存储网页获取的所有数据
    for i in range(0,10):   #调用获取页面信息的函数10次
        url=baseurl+str(i*25)   #循环每页的网址
        html=askURL(url)   #保存获取到的网页源码
        # 2.解析数据
        soup=BeautifulSoup(html,"html.parser")   #使用html解析器
        for item in soup.find_all('div',class_="item"):   #找到所有class是item的div
            data=[]   #保存一部电影的所有信息
            item=str(item)   #转换成字符串
            link=re.findall(findLink,item) [0]  #re库通过正则表达式查找指定的字符串,获取影片链接
            data.append(link)
            imgSrc=re.findall(findImgSrc,item)[0]   #查询图片
            data.append(imgSrc)
            titles=re.findall(findTitle,item)   #查询题目
            if(len(titles)==2):
                ctitle=titles[0]
                data.append(ctitle)   #添加中文名
                otitle=titles[1].replace("/","")   #去掉无关的服号
                data.append(otitle)   #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')   #外文名留空
            rating=re.findall(findRating,item)[0]
            data.append(rating)   #添加评分
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)
            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace("。","")   #去掉句号
                data.append(inq)   #添加概况
            else:
                data.append(" ")   #留空
            bd=re.findall(findBd,item)[0]
            bd=re.sub('(\s+)?'," ",bd)   #去掉

            bd=re.sub('/'," ",bd)
            data.append(bd.strip())   #去掉空格
            dataList.append(data)   #放入一部电影信息
    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/83.0.4103.56 Safari/537.36 Edg/83.0.478.3"}   #用户代理，发送请求时把python程序伪装成浏览器，蒙混过豆瓣服务器
    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"):   #判断e这个对象里是否包含code这个属性
            print(e.code)   #打印错误代码
        if hasattr(e,"reason"):
            print(e.reason)   #打印错误原因
    return html

"""保存数据"""
def saveData(dataList,savePath):
    book=xlwt.Workbook(encoding="utf-8")   #创建workbook对象
    sheet=book.add_sheet('豆瓣电影Top')   #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):
        print("第%d条" % (i + 1))
        data=dataList[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])   #数据
    book.save(savePath)

#################主程序#################
if __name__=="__main__":
    main()
    print("爬取完毕!")

关于代码中askURL方法中下边这一条数据获得方法：

head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.56 Safari/537.36 Edg/83.0.478.3"}   #用户代理，发送请求时把python程序伪装成浏览器，蒙混过豆瓣服务器

打开豆瓣Top250，按F12显示开发者页面：

打开网络模块：

刷新页面，当进度条出现时点红色圆点停止：

点击最前边一条线，选择唯一出现的top250，然后进度条拉到最后：