python爬取豆瓣电影Top250（小白系列）

本文是作者在通过B站跟着李巍老师学习以后所写，记一次学习笔记，自己为了方便自己以后回顾模仿 。
本文是最终爬取排行榜，相关知识储备在我的微信公共号（名称：PromisingQ）已发，后续还会不定期更新：

话不多说，直接上代码（代码中备注较多，有看不懂得可以公众号私信我）：

#-*- coding = utf-8 -*-
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

#1.爬取网页
#2.逐一解析数据
#3.保存数据

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist = getData(baseurl)
    #savepath = "./"        #当前文件夹
    savepath = ".\\豆瓣电影Top250.xls"        #文件系统
    #3.保存数据
    saveData(datalist,savepath)

#影片详情链接的规则
findLink = re.compile(r'')     #创建正则表达式对象，表示规则（字符串模式）
#影片图片
findImgSrc = re.compile(r',re.S)  #re.S让换行符包含在字符中
#影片的片名
findTitle = re.compile(r'(.*)')
#影片的评分
findRating = re.compile(r'(.*)')
#评价人数
findJudge = re.compile(r'(\d*)人评价')
#概况
findInq = re.compile(r'(.*)')
#影片的相关内容
findBd = re.compile(r'
(.*?)
',re.S)


#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):           #调用获取页面信息的函数 10 次
        url = baseurl + str(i*25)
        html = askURL(url)          #保存获取到的网页源码
        #print(html)
        #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)
            data = []       #保存一部电影的所有信息
            item = str(item)
            #获取影片的超链接
            link = re.findall(findLink,item)[0]             #re库用来通过正则表达式查找指定字符串   
            #print(link)                                    #[0]表示只要可能的多个匹配对象的第一个
            data.append(link)                               #添加链接
            imgsrc = re.findall(findImgSrc,item)[0]
            data.append(imgsrc)

            titles = re.findall(findTitle,item)             #p片名可能只有一个中文名，没有外国名
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)                         #添加中文名
                otitle = titles[1].replace("/","")          #去掉无关符号/
                data.append(otitle)                         #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                            #外国名留空

            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:                              #可能为空
                inq = inq[0].replace("。","")               #去掉 。
                data.append(inq)
            else:
                data.append(' ')

            bd = re.findall(findBd,item)[0]
            bd = re.sub('," ",bd)          #去掉

            bd = re.sub('/'," ",bd)                         #去掉/
            data.append(bd.strip())                         #去掉前后的空格

            datalist.append(data)                           #把处理好的一部电影信息放入；list
            #print(data)

    return datalist


#得到指定一个url的网页内容
def askURL(url):
    head = {                     #模拟浏览器头部信息，向豆瓣服务器发送信息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
        
        }       
    #用户代理，告诉豆瓣服务器我们是什么类型的机器、浏览器（本质上是告诉浏览器我们可以接收什么水平的内容）
    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

#3.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)            #创建工作表,可覆盖
    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)   #保存



if __name__ == "__main__":      #当程序执行时
#调用函数
    main()
    print("爬取完毕！")

运行结果如下图所示：


最后附上公众号的二维码，大家一起探讨，一起进步！