python3爬虫 —— 爬取豆瓣电影信息

爬取豆瓣网站的电影信息，并保存到excel中。

代码：

import re,xlwt,requests

#初始化并创建一个工作簿
book = xlwt.Workbook()
#创建一个名为sheetname的表单
sheet = book.add_sheet('movie'， cell_overwrite_ok=True) #加入cell_overwrite_ok在同一单元格重复写入数据

headings = [u'排名', u'电影名称',u'导演',u'国家',u'年份',u'评分']
k =0
for j in headings:
    sheet.write(0, k, j)
    k = k+1


url = ' https://movie.douban.com/top250'
#头部信息
headers = {
        'user_agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
    }

try:
    r= requests.get(url,timeout=30,headers=headers)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    text = r.text
    movie_info = re.findall(r'div class="pic">([\d\D]*?)
',text)

    count = 1
    for i in movie_info:
        rank = re.findall(r'([\d]*)',i)
        name = re.findall(r'span class="title">(\w*)',i)
        director = re.findall(r'导演:([\d\D]*?) ',i)
        year = re.findall(r'(\d{4}) / ',i)
        country = re.findall(r'\d{4} / ([\d\D]*?) / ',i)
        score = re.findall(r'([\d.\d]*)',i)

        sheet.write(count,0,rank)
        sheet.write(count, 1, name)
        sheet.write(count, 2,  director)
        sheet.write(count, 3, year)
        sheet.write(count, 4, country)
        sheet.write(count, 5, score)

        count = count + 1
    book.save('电影信息.xls')

except:
    print('失败')

上面代码只能取得一个页面的信息，下面代码是改进后的，可以取得所有页面信息，并获得所有图片

改进的代码：

解释：
1.17行的头部信息是模拟浏览器去访问该网站
2. 20行的 proxies 是代理ip,因为如果一直用自己电脑的ip去访问该网站，是会被封ip,26行是使用该参数，如果运行后没有什么结果，表示该代理ip有可能用不了，因为不稳定，毕竟是免费的，可以到 西刺代理 这个网站再选一个
3. 41 行的判断是因为在提取导演信息时，有几个包含了…这些字符，所以需要切割完取第一个字段

import re,xlwt,requests,os

def get_movie_info(images_path):
    # 初始化并创建一个工作簿
    book = xlwt.Workbook()
    # 创建一个名为movie的表单
    sheet = book.add_sheet('movie', cell_overwrite_ok=True)  # 加入cell_overwrite_ok在同一单元格重复写入数据
    # 设置表单头部
    headings = [u'排名', u'电影名称', u'导演', u'国家', u'年份', u'评分']
    # 将headings信息写入excel
    k = 0
    for j in headings:
        sheet.write(0, k, j)
        k = k + 1
    # 头部信息
    headers = {
        'user_agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
    }
    count = 1
    proxies = {
        "http": "http://221.4.150.7",
    }

    for i in range(0,250,25):
        url = ' https://movie.douban.com/top250?start=' + str(i) + '&filter='
        r= requests.request('get',url,timeout=60,headers=headers,proxies = proxies)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        text = r.text #得到整个页面信息
        movie_info = re.findall(r'div class="pic">([\d\D]*?)([\d]*)',i)
            name = re.findall(r'\n([\d\D]*?) / ([\d\D]*?) / ', i)
            score = re.findall(r'([\d.\d]*)',i)
            image_url = re.findall(r'src="([\d\D]*?)" class="">', i)
            #将信息写入excel
            if('...'in director[0]):
                director[0]=director[0].split('...')[0]
            #写入excel文件,三个参数分别是　行号，列号，值
            sheet.write(count,0,rank)
            sheet.write(count, 1, name)
            sheet.write(count, 2,  director)
            sheet.write(count, 3, year_and_country[0][1].strip())
            sheet.write(count, 4, year_and_country[0][0].strip())
            sheet.write(count, 5, score)
            count = count + 1
            #将图片写入文件夹
            path = image_url[0].split("/")[-1]  # 将图片链接的后面几个数字命名为图片名字
            if not os.path.exists(images_path):  # 目录不存在创建目录
                os.mkdir(images_path)
            if not os.path.exists(images_path + '/' + path):  # 文件不存在则下载
                r = requests.get(image_url[0])
                f = open(images_path + '/' + path, "wb")
                f.write(r.content)
                f.close()
                print("文件下载成功")
            else:
                print("文件已经存在")
    #保存excel文件
    book.save('电影信息.xls')

if __name__ == '__main__':
    get_movie_info('./images')
    f = 0
    for i in os.listdir('./images'):#取得图片数量，看是否是250张
        f= f+1

print(f)

下一篇：爬取丁香园网站的信息