python爬虫爬取豆瓣电影Top250并保存到excel表
1、首先需要导入的库如下
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，获取网页数据
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
import requests
from PIL import Image
from io import BytesIO
import time
2、获取网页代码
用urllib库爬取一个网页代码
#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/81.0.4044.129 Safari/537.36"}
#用户代理
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、分析网页代码
通过分析得知250个电影信息分布在10个分页，每个分页展示25个电影，我们用for语句将10个网页的信息的url进行拼接再进行逐一访问，用re将网页中的信息进行筛选
findLink=re.compile(r'')#影片详情链接规则
findImgSrc=re.compile(r',re.S)#查找电影海报链接 re.S让换行符再字符中
findName=re.compile(r'(.*)')#查找电影名字
findRating=re.compile(r'')#影片评分
findPeopleNumber=re.compile(r'(\d*)人评价')#评价人数
findInfo=re.compile(r'(.*)')#找到概况
findBD=re.compile(r'(.*?)
',re.S) #找到导演主演
#爬取网页
def getData(baseurl):
datalist=[]
# 解析数据
for i in range(0,10):
url=baseurl+str(i*25)
html=askURL(url)
#逐一解析数据
soup=BeautifulSoup(html,"html.parser")
k=1
for item in soup.find_all('div',class_="item"):
#print(item)
data=[]#保存一部电影的信息
item=str(item)
Link=re.findall(findLink,item)[0] #影片详情链接
data.append(Link)
Img=re.findall(findImgSrc,item)[0] #影片的图片链接
data.append(Img)
Names=re.findall(findName,item) #影片片名
if(len(Names)==2):
cName=Names[0] #添加中文名
data.append(cName)
oName=Names[1].replace("\\","") #去掉无关的符号
oName = re.sub('/', "", oName) # 去掉/
data.append(oName) #添加外国名
else:
data.append(Names[0])
data.append(' ') #留空
Rating=re.findall(findRating,item)[0]#影片评分
data.append(Rating)
PeopleNumber=re.findall(findPeopleNumber,item)[0] #影片评价人数
data.append(PeopleNumber)
Info=re.findall(findInfo,item) #影片详细信息
if len(Info)!=0:
Info=Info[0].replace("。","")
data.append(Info)
else:
data.append(" ")
BD=re.findall(findBD,item)[0] #找到主演信息
BD=re.sub(' 5、保存数据到excel表
#保存数据
def saveData(datalist,savapath):
print("爬取中······")
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
col=("电影链接","电影图片链接","中文名","英文名","影片评分","评价人数","影片详细信息","导演主演信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d部电影："%(i+1))
data=datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savapath)
6、下载电影海报图片
def download(datalist): #下载图片
head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36"}
i=1
for data in datalist:
save_path = 'E:\python项目\spider\电影海报\%s.jpg' % (data[2])
request = urllib.request.Request(data[1], headers=head)
f = urllib.request.urlopen(request)
with open(save_path, "wb") as code:
code.write(f.read())
print("开始下载第%d图片：" % i)
i+=1
完整代码如下
#-*- codeing = utf-8 -*-
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，获取网页数据
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
import requests
from PIL import Image
from io import BytesIO
import time
def main():
baseurl="https://movie.douban.com/top250?start="
#爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影TOP250.xls"
saveData(datalist,savepath)
download(datalist)
#askURL("https://movie.douban.com/top250?start=0")
findLink=re.compile(r'')#影片详情链接规则
findImgSrc=re.compile(r',re.S)#查找电影海报链接 re.S让换行符再字符中
findName=re.compile(r'(.*)')#查找电影名字
findRating=re.compile(r'')#影片评分
findPeopleNumber=re.compile(r'(\d*)人评价')#评价人数
findInfo=re.compile(r'(.*)')#找到概况
findBD=re.compile(r'(.*?)
',re.S) #找到导演主演
#爬取网页
def getData(baseurl):
datalist=[]
# 解析数据
for i in range(0,10):
url=baseurl+str(i*25)
html=askURL(url)
#逐一解析数据
soup=BeautifulSoup(html,"html.parser")
k=1
for item in soup.find_all('div',class_="item"):
#print(item)
data=[]#保存一部电影的信息
item=str(item)
Link=re.findall(findLink,item)[0] #影片详情链接
data.append(Link)
Img=re.findall(findImgSrc,item)[0] #影片的图片链接
data.append(Img)
Names=re.findall(findName,item) #影片片名
if(len(Names)==2):
cName=Names[0] #添加中文名
data.append(cName)
oName=Names[1].replace("\\","") #去掉无关的符号
oName = re.sub('/', "", oName) # 去掉/
data.append(oName) #添加外国名
else:
data.append(Names[0])
data.append(' ') #留空
Rating=re.findall(findRating,item)[0]#影片评分
data.append(Rating)
PeopleNumber=re.findall(findPeopleNumber,item)[0] #影片评价人数
data.append(PeopleNumber)
Info=re.findall(findInfo,item) #影片详细信息
if len(Info)!=0:
Info=Info[0].replace("。","")
data.append(Info)
else:
data.append(" ")
BD=re.findall(findBD,item)[0] #找到主演信息
BD=re.sub(' 效果如下
